基于支持向量机的遥感图像厚云去除算法

厚云的存在大大降低了遥感图像的利用率,利用支持向量机超强捕获边缘点的能力和图像融合方法,提出了一种基于支持向量机遥感图像厚云去除算法。首先构造支持向量值轮廓波变换并对图像进行分解,然后进行云层检测和图像融合,最后进行支持向量值轮廓波逆变换,得到重构图像。仿真实验表明,对于有厚云覆盖但无云区重叠的遥感图像,该算法能取得满意的去云效果,不仅保留了图像边缘信息,而且有效地解决了云层残留问题。     

基于云的多光谱遥感影像边缘检测研究

提出一种基于云的多光谱遥感影像边缘检测算法。该算法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像的波段建立多维云模型,将待处理对象映射到多个云空间,通过逻辑运算生成边界云并进行多维向量的综合。构建边缘模糊特征平面,在条件概率和模糊划分熵的基础上,通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

基于颜色空间变换的遥感图像去厚云方法

由于气候条件等因素,获取清晰无云的大面积遥感图像几乎不可能。在所获取的遥感图像中常含有大量的厚云完全遮盖了地表的实际地物情况。提出了一种基于遥感自动分类和颜色空间变换的多时相遥感图像厚云去除方法。实验结果表明,该方法不但能够去除厚云,而且能够很好地校正不同时相遥感图像间的颜色和亮度差异。     

IKONOS影像白泡云识别方法研究

高空间分辨率IKONOS影像应用在海洋遥感时,白泡云的强反射特性严重影响了水体信息的提取。本文利用归一化处理后的IKONOS影像数据研究分析了白泡云与其背景地物的光谱特征。通过光谱一阶微分运算形成特定的数学参数使得地物的光谱特征参量化,提取白泡云光谱特征,研究开发了白泡云遥感识别模型。试验结果表明该识别方法准确度高,在识别水体中白泡云区域的基础上可有效处理海洋遥感水体信息提取过程中白泡云的干扰影响。     

基于改进NSST-PCNN的光学与SAR图像融合去云方法

由于光学遥感穿透性差,光学图像常受到云层等天气因素干扰而影响其遥感应用。现有基于多时相或单幅图像修复的方法受地物变化及缺乏先验信息的影响,难以恢复云下真实地物信息。利用SAR图像不受云层、光照等因素干扰的特点,提出一种与SAR图像融合的光学图像去云方法。首先利用分形网络演化算法（FNEA）结合形状及光谱特性对云区进行检测,接着采用非下采样剪切波变换（NSST）对光学与SAR图像进行分解,最后对分解后系数结合云区检测结果进行融合,其中低频信息基于改进加权能量和进行融合,高频则结合方向信息熵及脉冲耦合神经网络（PCNN）模型进行融合。以高分一号、二号光学和高分三号SAR图像数据进行实验。结果表明,该方法相较其他5种算法在云区与参考图像有更高的相似性,可以更好地保持纹理及细节特征,在有效解决云层遮挡问题的同时实现图像增强,有利于后续图像分类、目标识别以及图像判别等遥感应用。     

联合应用多传感器影象消除云层遮挡影响的研究

在利用光学的遥感影象进行制图的过程中,由于受到获取遥感资料技术条件的限制,所获取的影象常常受到云层遮挡的影响,而造成局部地区信息丢失,针对此问题,提出了一种联合使用多传感器在不同时间段接收的影象,以消除云层遮挡影响的方法,该方法主要分为两个步骤,即首先是对云层覆盖地区不同时间的影象进行自动配准;然后对用来替换云层覆盖地区的影象进行辐射改正,以消除替换过程中出现的接缝,同时利用SPOT和TM影象进行了实验,实验结果表明该方法是有效的、可行的,能够较好地恢复云层遮挡地区的信息。     

多源卫星绿潮遥感信息提取易混淆因素分析

针对绿潮遥感信息提取过程中容易出现的几种易混淆因素,开展了多源卫星绿潮遥感信息提取易混淆因素分析研究。基于多源遥感卫星图像,分析了光学和微波遥感数据在提取绿潮过程中常见的几种易混淆因素。结果发现：（1）HJ 1卫星CCD遥感影像上,岛屿、船只、堤坝、云都是易混淆因素。在信息提取中,需结合基础地理资料或“天地图”,将岛屿识别出来,此方法同样适用于MODIS和SAR数据。对于堤坝、船只和有云覆盖的绿潮区域,则需要通过人机交互的方式进行识别。（2）MODIS遥感影像中散布的小面积云和条带噪声是易混淆因素,因此需在MODIS数据预处理中进行云掩膜和条带噪声去除。（3）ENVISAT ASAR遥感影像中船只是易混淆因素,需通过人机交互的方式进行区分。     

基于生成对抗网络的遥感图像去云算法

计算机视觉中的许多问题可以抽象为将输入图像“转换”成对应的输出图像,图像转换算法是许多计算机视觉问题的通用解决方案,例如语义分割、风格转换等。本文将以遥感图像去云作为图像转换的特例,研究基于生成对抗网络的图像转换算法。提出基于残差模块的生成模型可以对单幅遥感图像进行厚云和薄云的去除;同时提出的多尺度判别网络以及VGG损失函数,有效地解决了复杂场景的云雾遮挡问题。实验结果表明,本文提出的图像转换算法在遥感图像薄云数据集上峰值信噪比提升了1.64 dB,在厚云数据集上峰值信噪比提升了1.92 dB,同时生成的无云遥感图像和真实的无云图像具有较高的结构相似性。     

先验终端像元库支持下的GF-4多光谱影像自动云检测

高分四号卫星是我国第一颗地球同步轨道遥感卫星,以其高频、宽幅的特点,可为我国农业、林业、减灾、气象、环保和水利等应用提供快速、稳定的光学遥感影像,高效的影像自动云检测有助于进一步提高高分四号影像的利用效率。CDAG（Cloud Detection Algorithm-Generating）是一种基于像元组分光谱分析的自动云检测算法,能有效降低混合像元、复杂表面结构和大气等因素的影响。为了探索CDAG算法对于高分4号多光谱影像（GF4-PMS）的云检测应用能力,首先,从高光谱影像（AVIRIS）上选取不同的云类型和各种地表覆盖类型,建立云像元库和地物像元库;其次,基于高光谱像元库和GF4-PMS传感器光谱响应函数模拟出多光谱影像像元库;然后,根据碎云、薄云、厚云及非云像元的光谱差异性分析,将GF4-PMS影像的待检测像元与终端像元进行相似概率分析,实现基于最佳阈值自动迭代的GF4-PMS影像云检测;最后,从云像元正确率、晴空像元正确率、误判率、漏判率等多个指标进行云检测精度验证。结果表明：AVIRIS影像可以有效提取适用于GF4-PMS影像云检测的终端像元库,基于CDAG算法能较好地识别GF4-PMS影像上各种类型的云,对于不同时相、不同下垫面的碎云、薄云、厚云的检测精度可达90%以上。因此,基于先验终端像元库的云检测法对于提升GF4-PMS影像的利用效率具有较好的应用价值。     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

Automatic Cloud Detection of GF4 Multispectral Imagery Supported by the Priori Terminal Pixel Library

The GaoFen4 (GF4) satellite is China’s first geo-synchronous orbit remote sensing satellite. With the advantages of high frequency and wide width, it can provide fast and stable optical remote sensing images for agricultural, forestry, disaster reduction, meteorology, environmental protection, water conservancy and other applications in China. Efficient image automatic cloud detection helps to further improve the utilization efficiency of GaoFen4 images. CDAG（Cloud Detection Algorihtm-Generating）Cloud detection is an automatic cloud detection algorithm based on spectral analysis of pixel components, which can effectively reduce the influence of mixed pixels, complex surface structure and atmosphere. This paper aims to explore the application of CDAG algorithm in cloud detection of GaoFen4 multispectral imagery (GF4-PMS). Firstly, different cloud types and surface cover types were selected from hyperspectral images (AVIRIS) to establish cloud pixel library and clear sky pixel library. Next, the pixel library of multispectral images was simulated based on Hyperspectral pixel library and spectral response function of GF4-PMS sensor. Then, according to the spectral difference analysis of broken cloud, thin cloud, thick cloud and non-cloud pixel, the similarity probability analysis was performed on the to-be-detected pixel of the GF4-PMS image and the terminal pixel, and the GF4-PMS image cloud detection based on the optimal threshold automatic iteration was realized. Finally, cloud detection accuracy verification was carried out from multiple indicators such as cloud pixel correct rate, clear sky pixel correct rate, false positive rate and missed rate. The results show that AVIRIS images can effectively extract terminal pixel libraries for GF4-PMS image cloud detection. Clouds of Various types on GF4-PMS images can be better identified based on the CDAG algorithm. The accuracy of detection results for broken clouds, thin clouds and thick clouds with different time phases and different underlying surfaces can reach more than 90%. Therefore, the cloud detection method based on the priori terminal pixel library has a good application value for improving the utilization efficiency of GF4-PMS images.     

基于HSV色彩空间的MODIS云检测算法研究

云是一种自然现象,广泛、高频、不规律地出现在地球上空,因此云也经常在卫星影像上有所体现。在遥感影像中,云覆盖在很大程度上降低了数据的质量和利用率。云检测是进行遥感数据处理与分析的基础和必要环节,因此准确地提取云区所在位置是一个非常有意义的研究课题。提出基于HSV色彩空间的MODIS云检测算法,首次将HSV色彩空间引入云检测领域,提出的算法以云与其他地物的自身光谱特性和光谱差异为理论基础,以色彩空间HSV正变换为数学基础,将MODIS波段1、6和26的假彩色合成影像进行HSV正变换,对获得的色调值（H）进行简单的、客观的阈值限定,获得最后的云检测效果。该算法具有精度高、简单可行、客观性强和计算速度快等特点,适用于不同的下垫面和季节,云检测效果理想。     

基于类内拟合的遥感影像薄云雾校正方法

光学遥感观测极易受到云雾影响,降低数据质量并限制其后续应用潜力。由此,提出了一种基于类内拟合的遥感影像薄云雾校正方法。首先,利用滑动窗口逐波段地搜索局部最小值,称之为暗目标,通过拟合不同波段的暗目标样本估计出薄云雾辐射的相关性。基于此,联合云雾波段相关性与成像模型,生成不含云雾干扰的合成假彩色影像,利用K均值分类自动得到地表覆被类型。利用地类信息,进一步选取晴空区像元获取不同地类在不同波段对间的线性关系。最后,将上述两种线性关系进行联立,求解出各地表类型在不同波段上的值,从而完成影像校正。通过模拟与真实实验对方法有效性和场景适用性进行测试,并从定性目视与定量评估两方面对结果进行检验。实验结果表明：提出方法可有效去除薄云雾干扰,适用于不同地表覆被类型场景,获得高光谱保真的校正地表。     

The effect of subpixel clouds on remote sensing

Abstract

The effect of subpixel clouds on remote sensing of the surface reflectivity and of the vegetation index was numerically simulated for a thin layer of rectangular clouds. The simulation is for a 4 × 4km² field of view (e.g. the low resolution NOAA-AVHRR images). A fixed cloud reflectivity was used as well as an empirical cloud model for eight cloud types. In the empirical models the cloud reflectivity varied with cloud fraction. A cloud fraction of 20 percent, in a pixel with surface reflectance of 005, can increase the apparent surface reflectance by 002 for a model of strato-cumulus and by 0.08 for a fixed cloud reflectance of R_cequals;0.5. By using measured cloud fraction probability distributions in several climatic regions (not including a tropical climate) it was found that the cloud effect can be eliminated if the best remote sensing case out of about four independent cases is chosen. This corresponds to 8-16 observation days. In order to estimate the cloud effect on remote sensing of a particular area it is necessary to measure the probability distribution of the cloud fraction and the dependence of the cloud reflectance on the cloud size. Subpixel clouds were shown to affect the variation of upward radiance across an image. Therefore the standard deviation of the radiances over a uniform area can be used to sense the presence of the residual cloud effect.     

基于边缘特征和AdaBoost分类的遥感图像云检测

传统遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判,准确度较低。通过对遥感图像中云与地物的不同特点进行分析,提出一种新的遥感图像边缘特征描述方法,结合图像的边缘特征和灰度特征使用AdaBoost分类器进行云图分类,并利用图像的空间相关性对分类结果进行修正。经10万余幅图像测试结果表明:该算法与传统算法相比准确度极大提高,正确率达到96%以上,且运算速度快,满足实时性要求。     

结合相位一致与全变差模型的高分辨率遥感图像边缘检测

目的边缘检测是有效利用遥感数据开展地物目标自动识别的重要步骤。高分辨率遥感图像地物类型复杂,细节信息过于丰富,使得基于相位一致的边缘检测结果中存在过多的噪声与伪边缘。为此提出了一种结合相位一致与全变差模型的高分辨率遥感图像边缘检测方法。方法根据相位一致原理,应用Log Gabor构造的2维相位一致模型,引入全变差去噪模型对基于相位一致的边缘强度图进行改进。结果借助有界变差空间对图像光滑性的约束,实现了高分辨率遥感图像噪声去除与伪边缘抑制,利用改进后的相位一致边缘强度图可有效检测高分辨率遥感图像的边缘。结论实验结果表明,与相位一致模型、Canny算法相比,该方法能消除了高分辨率遥感图像中同类地物内部细节特征形成的噪声,抑制相位一致边缘检测结果中的伪边缘,突出地物的真实边缘,并能正确地提取地物目标的整体轮廓信息,有助于后续地物目标的自动识别。     

Derivation of 3D cloud animation from geostationary satellite images

Large-scale cloud animation is crucial to TV weather presentation, weather observer training and video products. In this paper, a physically based system is presented for the derivation of time-varying 3D clouds from geostationary satellite images. Cloud properties are derived from a set of meteorological models while the clouds are rendered by graphics models, the proposed method thus presents a new modeling methodology, which integrates the reality of the data with the realistic visual feeling. In particular, image pixels are first classified into cloud-free, water cloud, ice cloud, thin cirrus cloud in terms of their spectral signature. Then, cloud top surface, cloud bottom surface and cloud extinction are generated by applying different combinations of images. Finally, clouds are rendered under various light directions or view directions. The results have indicated that the proposed method can yield a realistic and approximately valid clouds with similar appearance to those in the input satellite images.     

OSGi框架下基于LDAP的异构遥感服务调用机制研究

针对异构遥感算法服务集成方法在元数据和生命周期管理方面的不足,提出了在OSGi框架下基于LDAP的异构服务调用机制。该机制设计了一个异构服务代理,将异构服务封装为OSGi bundle服务,实现服务生命周期管理,并结合LDAP技术,实现异构服务元数据管理;同时引入工作流引擎技术,搭建了一个异构服务交互调用的原型系统。通过遥感NDVI产品生产实验表明,该方法不仅能灵活地调用多种异构的遥感算法服务,且能有效的管理服务元数据及其生命周期。最后性能分析表明,该方法也为遥感数据分布式处理提供了一种有效的解决方案。     

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。     

多云协同架构下的遥感图像安全外包降噪方案

由于传输介质的干扰,遥感图像会被噪声污染,影响图像的处理和应用。遥感图像包含丰富的信息,致使普通计算机无法独立完成降噪任务,而云平台往往是不可信任甚至是恶意的,因此传统的图像降噪方案无法直接应用到云平台上。为保障遥感图像的可用性与安全性,提出一种基于多云协同的遥感图像安全外包降噪方案,既能实现灾备,又能实现分布式降噪,减少每个云平台的计算负担。利用[(k,n)]门限秘密共享方案将遥感图像共享给多个云服务器,云服务器根据改进的非局部均值降噪算法在密文域中完成图像降噪。