卫星云图感兴趣区域自动提取方法研究

卫星云图中人们感兴趣的区域(ROI)往往是各类云团,针对卫星云图内容的复杂性,利用直方图模糊加权C均值聚类方法实现云图的图像分割,对分割结果进行后处理,最终获取云图内的感兴趣区域。常规聚类方法需要人工指定类个数,影响了ROI提取过程的自动化程度。引入修正聚类评价指标,基于该指标实现最佳类别个数的自动确定。云图分割是感兴趣区域提取过程的关键,采用的直方图模糊加权C均值聚类方法在原有算法基础上,引入样本权重概念,使得聚类过程更为合理;同时将聚类对象由原始像素转换为灰度直方图,提高了聚类过程执行效率。实验结果表明设计的感兴趣区域提取方法能较为准确地分辨出陆地、水体、低云、中云、卷云、对流云六类区域,提取结果与客观实际一致。     

一种融合Canny和改进ISODATA的砾岩图像分割算法

针对基于边缘流和传统ISODATA（迭代自组织的数据分析算法）相融合的算法对砾岩图像进行分割时存在速度慢、分割不准确的问题,提出了一种融合Canny和改进ISODATA聚类相结合的砾岩图像分割算法。该算法将图像从RGB色彩空间转换到Lab色彩空间,利用Canny算子对砾岩图像的L分量进行边缘提取,得到过分割图像;运用改进的ISODATA聚类算法进行聚类,得到聚类图像,消除了Canny算子的过分割问题。在砾岩图像的分割应用中,该算法取得了较好的分割效果。     

基于FY2C卫星的暴雨云团自动预警方法

提出一种基于卫星数据的暴雨云团追踪预警方法,采用聚类法在卫星红外云图上识别出有效的暴雨云团,利用组合最优化方法实现暴雨云团的追踪,通过线性拟合法给出30 min、60 min、90 min的短时预警。实验结果表明,该方法能有效应用于暴雨云团的临近预报。     

木材彩色图像缺陷分割——基于Gabor滤波的改进C-V彩色模型

分析了木材节子缺陷、单板节子的特点,提出了一种基于多通道Gabor滤波的改进C-V彩色模型的木材缺陷识别算法。该算法将彩色图像作为一个整体的图像,保留了图像的彩色信息。该算法利用多通道Gabor滤波器、K-均值聚类算法得到缺陷目标与背景的彩色区分图像;利用改进的彩色C-V模型对新图像进行边缘提取,得到理想的实验结果。与采用基于改进C-V模型与小波变换的灰度图像缺陷识别算法相对比,结果表明该方法可快速、准确地实现对木材节子缺陷彩色图像及单板多节子彩色图像的分割。     

基于Ant-Tree聚类算法的图像分割

图像分割可以看作对具有不同特征的像素进行聚类的过程。综合考虑像素的灰度、梯度及邻域等特征,将Ant-Tree聚类算法引入图像分割中。针对Ant-Tree算法的聚类结果信息冗余的缺点,采用了一种改进的树结构模型来提高聚类速度。此外,还提出了一种新的初始化方法,结合K-means算法动态修正聚类中心,提高了聚类准确度和算法的鲁棒性。实验结果证明改进的Ant-Tree算法可以快速准确地分割出目标,是一种非常有效的图像分割方法。     

基于混合智能算法的卫星图像分割技术研究

卫星图像数据量大、特征信息丰富、背景复杂、拍摄过程中易受干扰,用一般的基于参数统计的图像分割方法难以实现准确的分割;将自组织映射算法(SOM算法)和具有爬山过程的遗传算法(HGA算法)结合在一起,建立了一种基于混合智能算法的图像分割方法,用于卫星图像的分割;此方法通过SOM算法进行颜色特征提取,再通过HGA算法进行颜色特征聚类,实现对卫星图像的分割;实验结果表明基于混合智能算法的图像分割技术分割效果的准确率达到了91%,可以较好地分割卫星图像,具有较高的分割准确性。     

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。     

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。     

一种自适应阈值的运动目标提取算法*

为了准确地划分运动目标和背景区域,提出一种自适应阈值的运动目标提取算法,对现有基于背景差的提取算法进行改进。本算法将运动目标和背景作为两个聚类,对图像中的点按像素灰度进行分类,以聚类间的方根—算术均值距离最大作为分割阈值选择的准则,使得运动目标提取算法中二值化阈值能够自动更新,从而实现对运动目标的准确完整提取。实验结果表明,该算法能够较准确快速地提取运动目标,并对环境亮度突变、背景存在微小运动等情况具有较好的鲁棒性。     

结合类内和类间距离的可能聚类分割算法

目的 为了进一步提高噪声图像分割的抗噪性和准确性,提出一种结合类内距离和类间距离的改进可能聚类算法并将其应用于图像分割。方法 该算法避免了传统可能性聚类分割算法中仅仅考虑以样本点到聚类中心的距离作为算法的测度,将类内距离与类间距离相结合作为算法的新测度,即考虑了类内紧密程度又考虑了类间离散程度,以便对不同的聚类结构有较强的稳定性和更好的抗噪能力,并且将直方图融入可能模糊聚类分割算法中提出快速可能模糊聚类分割算法,使其对各种较复杂图像的分割具有即时性。结果 通过人工合成图像和实际遥感图像分割测试结果表明,本文改进可能聚类算法是有效的,其分割轮廓清晰,分类准确且噪声较小,其误分率相比其他算法至少降低了2个百分点,同时能获得更满意的分割效果。结论 针对模糊C-均值聚类分割算法和可能性聚类分割算法对于背景和目标颜色相近的图像分类不准确的缺陷,将类内距离与类间距离相结合作为算法的测度有效的解决了图像分割归类问题,并且结合直方图提出快速可能模糊聚类分割算法使其对于大篇幅复杂图像也具有适用性。     

Multi-channel satellite cloud image fusion in the tetrolet transform domain

A novel multi-channel satellite cloud image fusion algorithm constructed in the tetrolet transform domain is proposed. Tetrolet is successfully applied in image denoising, image sparse representation, and image restoration. In this paper, tetrolet transform was introduced into the field of satellite cloud image fusion since its sparse degree is high. Tetrolet can describe the geometric structure feature of the satellite cloud image very well. First, tetrolet transform must be implemented into the multi-channel satellite cloud images to obtain low- and high-frequency coefficients and corresponding covering distribution values. Then, a Laplacian pyramid algorithm must be used to decompose the low-frequency portion in the tetrolet domain by averaging the values of its top layer and taking the maximum absolute values of the other layers. While reconstruction is implemented in this stage, the algorithm takes the maximum standard deviation of the high-frequency parts for each block in the tetrolet domain. Last, an inverse tetrolet transform must be used to obtain the final fused image. This paper compares the proposed image fusion algorithm to three similar image fusion algorithms: the curvelet image fusion algorithm, the non-subsampled contourlet transform (NSCT) image fusion algorithm, and the tetrolet image fusion algorithm. Mutual information, joint entropy, mean structural similarity (MSSIM), standard deviation, and average relative deviation are used as objective criteria to evaluate the quality of the fused images. In order to verify the efficiency of the proposed algorithm, the fusion cloud image is used to determine the centre location of eye and non-eye typhoons. Experimental results show that the proposed algorithm performs well when fusing the information in multi-channel satellite cloud images and improves the precision of locating the typhoon’s centre. The proposed algorithm’s comprehensive performance is superior to similar image fusion algorithms.     

基于融合的微光云图的云分割

首先应用基于变分的图像融合方法对DMSP气象卫星夜间微光云图和红外云图进行融合,在此基础上应用快速C-V模型图像分割方法对图像进行分割,将云分割出来。结果显示,与源图像相比,融合图像中包含了更多的关于云的信息,云体清晰度提高,纹理细致。在此基础上云体分割比较完整,比直接在各通道图像中进行分割的效果优越。     

Cloud detection from thermal infrared images using a segmentation technique

In this paper, a fast and accurate method is proposed for two cloud detection tests on thermal infrared (IR) data obtained from satellite images over sea; an IR gross cloud test and a spatial coherence test. The proposed method is based on a regional segmentation technique. After the segmentation of an IR image, small regions were regarded as cloudy due to their high spatial variability in temperature. This technique preserved the spatial resolution of the detected cloud image which would be degraded by the conventional spatial coherence test. It also reduced the computation dramatically, compared to the conventional spatial coherence test. An accurate temperature threshold between clear sea and clouds was determined directly from the segmented image. This post-determined threshold was found to be more accurate than pre-determined temperature thresholds. Since this algorithm does not require any human interaction, it can be combined with other tests in an automatic cloud detection algorithm.     

一种整合单通道各向异性扩散信息的水平集图像分割方法*

在对Chan-Vese提出的基于简化Mumford-Shah模型(C-V模型)改进的基础上,针对彩色图像、多光谱图像等多通道图像,提出了一种多通道C-V模型水平集图像分割方法.首先将多通道图像分解到各单通道,使用一种新的各向异性扩散方法对各通道进行平滑滤波,然后使用能够整合各通道各向异性扩散信息的多通道C-V模型进行分割.普通彩色图像与多光谱图像数据的实验结果表明,该方法分割质量明显优于传统的C-V模型分割.     

Extracting a cluster of clouds in the SPOT-4 satellite images

In this paper, rules of the segmentation of cloud cover for SPOT-4 satellite images, which permit reducing the segmentation error of cloud cover to 10%, and a method of measurement of a cluster of clouds as image regions are proposed.     

基于纹理和区域特征的台风卫星云图分割方法

在利用GMS红外卫星云图进行无眼台风自动定位方法的研究中,台风云系的分割是处理中关键的一步,文章提出了一种基于纹理和区域特征的台风云系分割方法。首先利用图像的分形维数和灰度特征对台风云系中的密蔽云区进行有效的识别后,然后启动基于区域约束的区域生长计算得到台风云系。     

基于Sentinel-2波段/产品的图像云检测效果对比研究

高时空分辨率遥感影像对精细尺度土地利用和土地覆盖变化研究具有重要意义,然而云噪声的存在给影像的解译和分析带来了一定的挑战,因此云噪声检测作为一项基础性工作在影像解译与分析过程中扮演了非常重要的作用。QA60产品被广泛推荐为Sentinel-2卫星影像的常规云检测产品,然而,我们最近的研究发现基于QA60产品的云检测通常会出现明显的云噪声漏检测现象。为探索提高Sentinel-2卫星影像云噪声检测效果的方法,基于Google Earth Engine（GEE）平台,结合Sentinel-2卫星影像2A级（L2A）数据的2个云相关波段（B1和B9）以及4个产品（QA60、AOT、MSK_CLDPRB和SCL产品）,设计相应分割算法,并以典型区为案例,从影像波段特性、云微物理学等角度分析了相关波段/产品云检测结果的空间分布格局及差异,并借助定量化指标对云检测效果进行评价。结果表明：①在云检测算法方面,B1和B9波段采用的动态阈值分割算法稳健性较好,检测结果能在一定程度上拟合其波段特性,并合理地表征相应波段的云噪声;②从云检测空间分布看,AOT产品效果较差,B9波段和QA60产品云检测可靠性较低,B1、SCL、MSK_CLDPRB 3个波段/产品的云检测潜力较强;③从评价结果看,B1波段的云检测效果最佳,对云噪声的敏感度高于其他云相关波段/产品,查准率、查全率、准确率和F1分数均大于0.90,稳健性最好。本文验证了气溶胶（B1）波段对云检测的精确性、稳健性和敏感程度,有望为进一步优化常规云检测算法提供新参考。     

基于区域特征的非下采样Contourlet变换卫星云图融合

对不同的卫星云图进行融合处理,可为灾害性天气的监测和预警提供更为全面的信息,提出一种基于区域特征的非下采样Contourlet变换(NSCT)卫星云图融合新方法。首先,采用NSCT对卫星云图进行多尺度和多方向分解,得到低通子带系数和各带通方向子带系数;然后,对低通子带系数采用基于图像区域相关系数和区域能量的自适应融合规则,对各带通方向子带系数采用加权和区域方差相结合的融合规则;最后,对融合系数进行NSCT逆变换得到融合云图。实验结果表明,该算法在增强融合云图的纹理及边缘等细节信息的同时,能更好地保留源红外云图的红外信息,融合效果更好。     

A local-spectral fuzzy segmentation for MSG multispectral images

In this article, a segmentation approach for cloud detection in Meteosat Second Generation (MSG) multispectral images is proposed. The proposed algorithm uses recursive segmentation that dynamically reduces the number of classes. This algorithm consists of two steps. First, an initial segmentation of the image is obtained using local fuzzy clustering. The clustering algorithm is formulated by modifying the similarity measure of the standard fuzzy c-means (FCM) algorithm. The new similarity function includes the spectral information as well as the homogeneity and spatial clustering information of each considered pixel. In the second step, a hierarchical region-merging process is used to reduce the number of image clusters. At each iteration, the segmentation algorithm proceeds with a new partition until the final result of the segmentation is obtained. The proposed method has been tested using synthetic and MSG images. It yields a compact and coherent segmentation map, with a satisfactory reproduction of the image contours. Moreover, the different types of clouds are well detected and separated with appropriate accuracy.