中分辨率遥感影像云检测与厚云去除研究综述

中分辨率遥感影像（10～100 m分辨率）具有适中的空间分辨率、较高的重访周期和较大幅宽实现大范围的对地观测,是当前准确获取地球表面信息的核心遥感数据源。已有研究表明,地球表面常年60%以上云量覆盖,成为中分辨率光学影像获取有效地表信息的最大的限制性因素之一。如何高效地标记云/阴影并合成晴空影像,是实现地表要素提取、土地覆盖动态变化和地球系统物质和能量循环参量反演的关键,可视为同辐射校正、几何精校正一样的遥感影像预处理必备步骤,这也是进行各种定量遥感应用的基础。总结过去中分辨率影像云检测和厚云去除的研究发现,云检测截止在2019年有多篇综述文章进行总结,但是厚云去除的综述性文章未有报道。因此,研究重点总结了2018年以来云检测方法的科研成果,尤其是基于机器学习的技术方法,梳理出了这一研究的现状和重点;对于厚云的去除方法,扩展了厚云去除方法的概念,全面总结了各种厚云的去除方法,分析了各种方法存在的优缺点,对今后的研究重点进行了展望,为相关的研究学者对这一方向提供一个全面而清晰的认识。     

遥感影像亚像元制图方法研究进展综述

遥感影像混合像元的普遍存在给遥感影像解译造成困扰。有效处理混合像元问题,细化分类结果,获得更为精细的地物细节信息就需要进行亚像元绘图。目前亚像元制图方法主要包括3个步骤:① 混合像元分解;② 提取软信息;③ 亚像元制图。总结归纳了近年来遥感影像亚像元绘图领域的研究进展和成果,详细阐述了亚像元制图的步骤及涉及的研究方法。依据辅助信息的类型将亚像元绘图方法大致划分为:基于空间相关性、基于空间结构信息、基于神经网络、基于像元交换途径的4类亚像元分类方法,并分别对各种方法的优缺点进行了分析对比。最后,评述了亚像元制图的发展趋势。     

基于全变分模型的多时相遥感影像厚云去除算法

针对多时相遥感影像厚云去除出现的亮度不一致和明显边界的问题,提出了一种结合全变分模型和泊松方程的多时相遥感影像厚云去除算法。首先,通过多时相遥感影像间共同区域的亮度信息计算亮度校正系数,对图像的亮度进行校正,降低亮度差异对去云结果的影响。然后,基于选择多源全变分模型对亮度校正后的多时相遥感影像进行重建,提高融合结果的空间平滑性及其与原始影像的相似性。最后,利用泊松方程对重建图像的局部区域进行优化。实验结果表明,该算法能够有效解决亮度不一致和边界问题。     

遥感影像亚像元定位研究综述

遥感影像亚像元定位是在混合像元分解基础上,利用地物空间分布特征确定不同地物类型在混合像元中的具体位置,得到亚像元尺度的地物分类图,是一种有效解决混合像元空间不确定性的方法。首先介绍遥感影像亚像元定位的基本概念,分析亚像元定位的理论模型和求解算法;然后总结亚像元定位模型的误差来源、精度评价方法以及结果不确定性的表达手段,同时讨论利用辅助数据源提高亚像元定位精度的主要方法;最后对亚像元定位的研究趋势做了进一步展望。     

基于改进混合像元方法的MODIS影像水体提取研究

基于MODIS的反射率数据,利用改进的线性混合像元分解方法提取水体,并结合MODIS温度产品和SRTM的DEM数据校正阴影对提取结果的影响。通过和利用ETM+影像的水体提取结果对比分析得出:该方法结果较好的体现出河流和湖泊的细节特点,同时在很大程度上消除了阴影影响,面积提取结果具有较高的精度。     

陆地卫星遥感图像云检测及云去除方法研究

云一直是遥感图像处理、图像分析的一大障碍。由于受到云层遮挡的影响,就无法获得云层覆盖地区的信息,严重影响图像的质量。为了解决这一问题,研究了利用陆地卫星遥感图像ETM+云检测的方法,以及用相近时相卫星图像去除云的方法。通过相近时相卫星图像替代云区实现了云去除,保证了图像的连续性和客观性,提高了遥感图像的利用率。     

基于混合像元分解的薄云下光学遥感图像恢复方法

云遮挡是限制光学遥感卫星对地观测能力的主要因素之一。针对薄云下光学遥感图像的图像恢复问题,首先将云对光谱观测值的影响在线性混合像元模型中显性地加以表达,提出了针对云特性的改进型线性混合像元模型;其次给出了两种基于混合像元分解的图像恢复方法、直接消除法与丰度调整法;最后分别在两种混合像元分解算法与两种图像恢复方法,即VCA（顶点成分分析）算法/MDC-NMF(最小距离限制的非负矩阵分解)算法与直接消除法/丰度调整法的不同组合下,分别利用模拟数据和真实数据,对相关方法的图像恢复能力和图像恢复效果进行了定性和定量分析。实验结果表明,MDC-NMF算法与丰度调整法的组合处理能够获得最佳的图像恢复效果。     

高分辨率遥感影像中的云阴影去除

文章提出了一种人机交互的半自动云阴影去除算法。首先通过人机交互半自动方式将图像分割为云区域、阴影区域、清晰地物区域以及过渡区域四个部分,然后通过将云阴影区域的直方图映射到清晰区域来对阴影区域灰度进行补偿,最后对边界进行后处理得到一幅过渡平滑的去除了云阴影的图像。实验结果表明,该方法对高分辨率遥感影像中的云阴影去除是有效的。     

基于元胞自动机模型的遥感图像亚像元定位

由于遥感图像中普遍存在混合像元,因此传统分类方法得到的结果通常会存在较大误差,应用混合像元分解技术,虽然可以得到混合像元中各端元组分的丰度,但是却不能得到各端元组分的空间分布状态,而亚像元定位则是在混合像元分解的基础上,将混合像元剖分为亚像元,再利用端元组分的丰度及像元空间分布的特点,将亚像元赋予不同端元组分来得到各端元组分的空间分布情况,以提高遥感图像分类的精度。为了更好地解决亚像元定位问题,结合亚像元定位的理论模型,提出了一种新的元胞自动机模型,并通过模拟数据和实际数据对该模型进行了检验,结果表明,该模型是一种简单有效的解决亚像元定位问题的方法。     

基于时空数据融合模型的TM影像云去除方法研究

针对已提出的各类云去除方法在实际应用中存在的局限性,将时空数据融合模型引入到云去除方法中。首先基于MODIS数据提供的时间维变化信息和辅助时相TM数据提供的空间信息,应用增强时空适应反射率融合模型(ESTARFM)得到了目标时相似TM合成数据;然后用TM合成数据替换掉目标时相TM影像中被云及其阴影覆盖区域的数据。在修复后的影像中替换区域与非云区域色调基本一致。通过非云区TM合成数据间接对替换云及其阴影区数据的精度进行定量评价。结果表明:相对于真实TM影像,非云区域合成数据各波段均值差异都在1%以内;各波段的相对误差分别为16.29%、12.92%、13.47%、12.87%、9.71%和11.84%,且各波段的相关系数均大于0.7;非云及其阴影区融合影像数据间接表明填补云及阴影区数据各波段的总体精度优于83%。因此,所提出的方法能够修复TM影像中被云及其阴影覆盖区域的数据,提高MODIS与TM数据的利用率。     

基于基元的高分辨率遥感建筑物提取研究

如何自动地从高分辨率遥感影像中提取建筑物等人工目标是高分辨率遥感影像处理与理解领域的一个热点与难点问题,建筑物作为人类改变自然界的标志性地物之一,其各种信息的快速自动提取是地形测图和城市地理数据更新的重要步骤,也是衡量人类活动的主要因素之一.本文提出了影像-基元-目标的影像分析方法,首先对高分辨率遥感影像进行特征提取,通过聚类方法形成不同基元,在此基础上对相应的基元特征进行分析及建筑物模式的匹配,完成建筑物的自动提取过程,相应方法也可以推广到其他目标地物的识别过程.     

ESTARFM相似像元选取方法的改进研究

ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一种经典的基于权重滤波的时空融合算法,它在众多领域得到广泛应用。相似像元选取是其一个重要步骤,ESTARFM模型中相似像元选取过程受搜索框大小和分类数影响,当前的研究中搜索框大小的设定较为统一,而分类数大小设定缺乏统一性。为降低ESTARFM算法中分类数对算法性能的影响,将STNLFFM(A Spatial and Temporal Nonlocal Filter-Based Data Fusion Method)中相似像元选取方法与ESTARFM模型相结合,提出改进的ESTARFM_NL模型。研究设计了两组不同时相变化条件下的数据进行对比分析。结果表明：ESTARFM_NL与ESTARFM融合结果相对误差直方图总体分布趋近一致,同时利用平均相对误差和相关系数对融合结果进行评价,发现两种算法之间精度差异较小,表明两种算法融合精度相当;对比两种算法运算效率,发现ESTARFM_NL运行时间能够得到大幅缩减。因此,ESTARFM_NL为大区域或长时间序列遥感数据的时空融合提供了一种可选择的融合方案。     

Study of the Improved Similar Pixel Selection Method on ESTARFM

The ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model) is a classic spatiotemporal filter-based algorithm, which is used in the many fields. The similar pixel selection process in the ESTARFM model is affected by the size of the size of search window and the number of classifications. In the current study, the size of the search windows is more uniform, and the number of classifications lacks uniformity. In order to reduce the influence of the number of classifications in the ESTARFM algorithm on the performance of the algorithm. The similar pixel selection method in the STNLFFM (A Spatial and Temporal Nonlocal Filter-Based Data Fusion Method) combined with the ESTARFM model to propose the ESTARFM_NL model. The study designed two sets of data under different conditions of phase change for comparative analysis. The results show that the overall distribution of the relative error histogram of ESTARFM_NL and ESTARFM is tight and consistent. When the fusion results are evaluated by the average relative error and correlation coefficient, the difference between the two algorithms is considerable, indicating that the fusion accuracy of the two algorithms is equivalent. Comparing the efficiency of the two algorithms, we found that the ESTARFM_NL running time can be greatly reduced. Therefore, ESTARFM_NL provides an alternative fusion scheme for large-area or long-term sequence remote sensing data with large data volume.     

基于人工蚁群优化算法的遥感图像自动分类

将人工蚁群优化算法(AACO)尝试性地引入遥感图像分类,并进行了探索性研究。作为计算智能新的分支,人工蚁群优化算法具有很强的自组织性和自适应性。因此,自然成为科学工程领域一种强有力的信息处理和解决问题的手段;AACO算法利用蚂蚁的生物特性来实现遥感图像分类等非线性操作,具有并行性、鲁棒性。初步试验分析,此方法用于遥感图像分类是有效的,在一定程度上克服传统统计分类方法与ANN方法的某些不足。本文也推动人类利用群智能在遥感图像处理及相关领域的深入研究。     

天基红外云层背景的仿真研究

云层背景是红外仿真成像中重要的一部分,论文通过分析云层的基本特性、红外特性,结合云层自身辐射、反射辐射、散射辐射,然后基于卫星云图,对图像的像素点进行处理,根据白天、夜晚等不同情况仿真得到红外云层图像.仿真结果显示,仿真图像整体上达到了红外云图的效果.     

Study on Extraction Method of Abandoned Farmland based on the Seasonal Variation Characteristics of Remotely Sensed Images

In southwestern China, the cultivation conditions are poor, the plots are relatively fragmented, and the types of plots are complex. Therefore, the use of low and medium resolution remote sensing data is not able to satisfy the needs of abandoned farmland extraction. This paper explored the ability of single or multi-phased high resolution remotely sensed images in detecting abandoned farmland in southwest China, using Xiuwen County, Guizhou Province, China as a case study area. Remote sensing based monitoring methods for abandoned farmland were developed, providing a reference for the statistical survey of abandoned farmland in southwest China.The extraction method of abandoned farmland was proposed based on the field survey data, considering different types of abandoned farmland. Sensitive feature sets of different types of abandoned farmland were identified from a series of features including the spectral characteristics, vegetation indices and multi-temporal difference vegetation indices. The CART decision tree classification method was applied on the selected sensitive features to extract abandoned farmland. The results showed that:(1) There was a significant difference in the recognition ability of single-phase image in extracting different types of abandoned farmland, so it was difficult to use only single-phase image to extract abandoned farmland with high accuracy; (2) The vegetation index change characteristics of different time phases had strong recognition ability for abandoned farmland, and the ratio vegetation index was better than the difference vegetation index and normalized vegetation index; (3) The spatial distribution map of abandoned farmland and the statistical analysis of abandoned farmland area were carried out in Xiuwen County, Guizhou Province. The area of abandoned farmland in Xiuwen County was about 6,460 hectares, accounting for 13% of the cultivated land area.（4）Based on multi-temporal high-resolution remote sensing data, the method of detecting abandoned farmland using seasonal variation characteristics can meet the requirements of high-precision extraction of abandoned farmland in southwest China, and the results provided technical reference for remote sensing survey and mapping of abandoned farmland in large-scale.     

基于季相变化特征的撂荒地遥感提取方法研究

在我国西南地区耕种条件差,地块比较破碎,地块类型比较复杂,中低分辨率遥感数据难以满足撂荒地提取的需要。选取贵州修文县为试验区,基于高分辨率卫星遥感数据（哨兵2号）,探索单期或多期影像在中国西南地区的撂荒地检测能力,构建撂荒地遥感监测方法,为今后我国西南地区撂荒地统计调查提供参考。结合野外调查数据,在划分不同撂荒地类型基础上,综合遥感影像的光谱特征、植被指数特征以及多时相植被指数变化特征分析,优选不同类别撂荒地遥感提取敏感特征集,利用CART决策树分类方法,提取不同类型的撂荒地。结果表明：①单个时相对不同类型的撂荒地识别能力差异显著,基于单时相影像,难以开展撂荒地高精度遥感监测提取;②不同时相的植被指数变化特征对撂荒地的识别能力较强,其中比值植被指数优于差值植被指数和归一化植被指数;③以贵州修文县为例,开展了撂荒地空间分布制图及撂荒面积统计分析,修文县撂荒地面积约为6 460 hm²,占修文县耕地面积的13%;④基于多时相高分辨遥感数据,通过季相变化特征构建的撂荒地检测方法,能够满足我国西南地区撂荒地高精度遥感监测提取,为大范围撂荒地遥感调查和制图提供技术参考。     

基于MODIS数据的农业干旱监测方法对比分析

利用2004年4月～6月上旬的MODIS影像数据,结合实测的土壤墒情数据,对比不同深度及不同拟合方式下土壤湿度的估算精度。另外,分别选用植被供水指数(VSWI)、基于EVI的植被供水指数(E-VSWI)、归一化多波段干旱指数(NMDI)与对应的土壤湿度数据进行回归分析,并在此基础上利用最优指数实现研究区土壤湿度的估算及旱情监测。结果表明:在华北平原中部地区冬小麦生长季节,利用MODIS数据进行土壤湿度估算的最佳深度是10cm;最佳拟合方式是线性拟合方式;植被供水指数(VSWI)在研究区整个时间序列具有最好的稳定性,可为今后大区域作物生长期的干旱监测提供一个简单方法。     

基于几何概率的聚类分析方法及其在遥感影像分类中的应用

针对现有非监督分类方法不能自动确定最佳分类数、对包含噪声的大数据集适应性差的问题,提出了一种基于几何概率的聚类分析方法,即按照先分大类、后分小类、逐层细分的顺序来确定分类方案,其同一分类层次上不同子类进一步细分的步骤相同,但执行过程彼此相互独立。在每一分类层次上,以几何概率为理论基础,根据样本在特征空间中的分布结构确定类的数目、提取类的中心位置、搜索类的边界。通过TM遥感影像的分类实例及其与ERDAS中的监督、非监督分类方法进行对比的结果表明,基于几何概率的聚类分析方法能明显提高分类精度。     

一种基于像素跟踪的琵琶工尺谱谱字提取方法

提出一种基于像素跟踪法获取最小包围盒的算法,分割和提取琵琶工尺谱乐谱的谱字图像,采用逆时针旋转扩展扫描的方法,寻找和建立琵琶工尺谱乐谱图像中谱字所对应的每一个像素的连通区域的最小外接矩形包围盒,根据包围盒的位置关系将属于同一谱字的包围盒进行合并,从而提取出单个谱字的完整图像。实验结果表明,该算法能有效准确地从琵琶工尺谱谱图中分割和提取出各个音乐谱字。