遥感视频实时云检测的FPGA高效实现方法

针对目前遥感图像云检测算法及算法运行所需硬件平台复杂度高,无法进行在轨实时检测的问题,提出了一种基于FPGA的面向卫星在轨实时运行的遥感视频云检测方法.首先根据不同的遥感视频输入格式对其自适应降采样处理;其次对顺序流入的图像自适应阈值分割,然后对分割后的图像进行聚类获取云区域,进而提取每一块云区域的特征向量;最后计算整幅图像的云覆盖率和可用度,以此判断是否将图像下传.实验结果表明,在60 MHz的时钟下,且Camera Link接口每个时钟周期同时输入两个像素时,822×1096大小的遥感视频云检测速度可达132 fps,相对于传统的嵌入式双核CPU,速度提升了6～7倍.该方法可实现卫星在轨实时云检测,极大地缓解了有限的星地数传带宽和巨大的遥感数据量之间的矛盾,大幅提升遥感卫星系统应用效能,具有很强的实用价值.     

面向城市区域的遥感影像云检测方法

针对高分辨率遥感影像云检测过程中,城市区域中大型建筑物对云检测精度有较大影响的问题,提出了一种面向城市区域的高分辨率遥感影像云检测算法。算法利用高分辨率卫星各季节的晴空遥感影像数据,构建晴空背景场,采用遥感数据多光谱各波段的动态阈值定位出云像元,然后基于云与建筑物在纹理和形态特征上的不同,去除矩形、多边形等高亮建筑物的错误检测区域。结果表明,该方法可有效去除城市区域的高亮地物,云检测正确率由83%提高到90%以上,证明了该算法的有效性。     

一种基于光谱角原理的多光谱遥感图像云检测算法

为了满足遥感卫星实时云检测要求,提出了一种基于光谱角的云检测算法。首先在多光谱谱段构成的欧式空间中构造参考云矢量;然后计算图像中各像元矢量与参考云矢量的光谱角,对光谱角进行高斯滤波生成云掩膜;最后计算得到图像中云量百分比。利用该算法对156景人工标注过的Land Sat-7有云图像进行云检测,结果表明本文算法云检测整体精度能到达83.6%,平均执行速度为360 ms。本文算法原理简单,执行速度快,检测效果好,具有星上实时应用潜力。     

基于密集连接与特征增强的遥感图像检测

遥感技术的快速发展使得遥感图像检测技术广泛应用于军事、农业、交通、城市规划等多个领域。随着遥感分辨率和数据体量的不断提升,通过人工处理数据的方法已经无法满足实时性需求,因此,实现高效、精准的自动化数据处理方式成为该领域的研究热点。针对遥感图像分辨率高、背景复杂、目标尺度小等特点,提出一种改进的YOLOv3算法,用以提升遥感图像的检测效果。在原始YOLOv3算法的基础上,使用改进的密集连接网络替换原有的DarkNet53作为基础网络,以提升网络输入和预测结果的尺度多样性。通过阀杆模块降低输入损失,同时在浅层特征图中加入特征增强模块,从而丰富特征图的感受野,强化网络对浅层特征信息的提取,在保证整体检测性能的同时使网络对遥感图像中、小目标的检测精度和鲁棒性均有所提升。在遥感图像数据集上进行多组对比实验,结果表明,相比原始YOLOv3算法,该算法的平均准确率提高9.45个百分点,在小尺度目标上的检测准确率提升更显著,达到11.03个百分点,且模型参数量得到有效缩减。     

基于多输入密集连接神经网络的遥感图像时空融合算法

为了解决地表反射率遥感卫星Landsat和MODIS影像的时空融合问题,文中提出基于多输入密集连接网络的遥感图像时空融合算法.首先提出多输入的密集连接网络,学习包含连续时刻间差异信息的过渡遥感影像.基于差异相似假设,融合网络学习得到的2幅过渡影像与已知的2幅高空间分辨率影像,得到最终的预测影像.对Landsat遥感影像和MODIS遥感影像的融合实验表明,文中算法在各项定量指标中均较优,最终的预测图像也可表明,文中算法对噪声具有较好的鲁棒性,能较好地恢复细节信息.     

基于机器学习的遥感影像云检测研究进展

在对地观测领域中云检测是遥感定量化应用的重要环节，同时也是卫星气象应用的关键步骤。近年来，基于机器学习的遥感影像云检测逐渐成为该领域的研究热点，并且取得了一系列研究成果。系统阐述了近10 a来国内外基于机器学习的遥感影像云检测的研究进展，将算法模型分为传统的机器学习模型和深度学习模型两类，并对两类中的具体模型进行详细介绍，对比分析不同模型的优缺点及其适用情况。重点介绍了传统机器学习中的支持向量机（SVM）、随机森林等方法，深度学习中的神经网络模型，包括卷积神经网络（CNN）、改进的U-Net网络等模型。在此基础上，分析了基于机器学习的遥感影像云检测研究中存在的问题，讨论了未来潜在发展方向。     

激光雷达数据辅助的FY-3D影像阈值自适应云检测方法

国产风云系列卫星可为全球范围内大气、陆地和海洋的遥感监测提供重要数据支撑,由于光学卫星影像不可避免受到云覆盖的影响,通过云检测获取准确的云掩膜是风云系列卫星影像精细处理与应用的关键。现有的云检测方法大多采用简单高效的阈值法,然而由于传感器光谱响应以及不同场景云覆盖下垫面的辐射差异,在缺少大量真实云覆盖标记情况下,现有方法往往难以确定最优的检测阈值。鉴于此,提出了一种阈值自适应的云检测方法（TACD）,顾及传感器波段特性以及云覆盖下垫面差异,设置不同场景下的多通道阈值测试,包括反射率及反射率组合测试、亮度温度测试、亮度温度差异值测试、卷云测试等,联合具有高精度云层信息的激光雷达数据构建全球范围的云检测样本集,实现基于样本集真实云标记的迭代阈值优化,最终基于最优的阈值进行云检测。以风云三号（FY-3D）MERSI-II影像为例,联合CALIOP云层数据构建全球范围的云检测数据集,并将所提出的TACD方法云检测结果与官方云掩膜产品进行对比,结果表明该方法较官方云检测算法精度有明显提高,其中平均交并比从80.35%提升至84.09%,召回率可达92.67%,具有业务化应用的潜力。     

基于稠密残差网络的多序列卫星图像去云

遥感影像中最常见的问题是云层污染,它会导致图像信息缺失,降低遥感数据的可用性。针对该问题,提出了一种基于稠密残差网络的多序列卫星图像去云算法。首先,该网络使用多序列的有云卫星图像作为输入,能为网络提供更多的时序特征信息,提升去云效果;其次,在网络中段使用稠密残差层,以保证卷积层之间最大程度地传递和使用特征信息,让生成的修复图像整体结构合理、边缘细节更加清晰;最后,使用像素上采样来增强空间信息的利用,提升修复效果。该方法在欧洲"哨兵-2"遥感卫星图像数据集上进行验证,峰值信噪比和结构相似度指标为27.59和0.854 0,两项指标均超过了该数据集的原处理方法STGAN,提升了遥感图像去云的效果。     

基于深度学习的卫星遥感图像边缘检测方法

为解决卫星遥感图像边缘模糊噪点过多,导致图像清晰度过低的问题,提出基于深度学习的卫星遥感图像边缘检测方法;利用Softmax分类器结构,提取边缘图像节点处的数据信息参量,遵循深度学习算法完成对图像信息的卷积与池化处理,基于CV算法实现基于深度学习的卫星遥感图像识别;根据尺度空间定义原则,确定边缘检测特征点所处位置,再联合梯度信息熵计算结果,完成对卫星遥感图像的拼接处理;分别计算一阶微分边缘算子、二阶微分边缘算子的具体数值,确定梯度幅值的取值区间,总结已知数值参量,建立完整的双阈值表达式,完成基于深度学习的卫星遥感图像边缘检测方法的设计;实验结果表明,应用所提方法后卫星遥感图像边缘节点处信噪比指标在55.1～62.7 dB范围内,图像模糊噪点个数最大为1.32×10⁵个,可获得较为清晰的遥感图像,在卫星遥感图像边缘精准检测方面具有较强的实用性。     

MODIS图像云检测业务化算法研究

本文针对3种不同空间分辨率的MODIS数据(250m,500m,1km),提出相应的业务化云检测算法,采用多阈值判别云像元,算法简单有效,仅以图像作为输入,不需要其它辅助数据的支持。以我国中低纬度地区为实验区,分别选取了春夏秋冬4幅MODIS图像,根据图像选择了合理的云判别阈值,取得了较好的云检测结果,与美国宇航局(NASA)提供的MODIS云产品相比,云的空间分布基本一致,且很好地更正了MODIS云产品中被误判为云区的河流、湖水、岸边的区域,从而可以获得更高的云检测精度和提高云覆盖判别的效率,为建立业务化运行的遥感图像云剔除预处理流程奠定基础。     

MODIS图象的云检测及分析

云一直是遥感图象处理、图象分析的一大障碍.为了解决这一问题,试图探讨利用中分辨率成像光谱仪MODIS检测云的方法,该方法充分考虑到MODIS数据具有36个光谱通道,特别是红外波段细分的特点,先是基于云的波谱特性采用多光谱综合法、红外差值法及指数法来对MODIS图象上的云点进行检测,鉴于这些方法有一定的局限性,因而还运用了一种基于空间结构分析和神经网络的云自动检测算法;最后将各种方法的云检测结果进行相互映证和对照分析,结果表明,这些方法检测到的云互相吻合,说明利用MODIS图象可成功地检测云点像元.这不仅为云的去除奠定了良好基础,而且也可以提高图象识别、图象分类及图象反演的精度.     

基于面向对象方法的白天雾检测

通过遥感技术进行雾检测的难点在于云和雾的分离,传统的基于像素的雾检测方法只考虑到云和雾的光谱信息,但是云和雾的光谱信息极为相似,不易区分。本文提出一种基于面向对象的白天雾检测方法,首先从遥感影像中提取云雾目标,然后对云雾目标进行分割,最后选取云雾分离的特征参数,完成对雾区的检测。试验结果显示,相对于传统的基于像素光谱信息的多层次阈值法,本文提出的基于对象的雾检测方法相对于传统方法在检测效果上有较大的提高。     

Logistic回归模型在卫星云图云检测中的应用

云的自动检测和分类识别是所有卫星遥感资料应用的第一个步骤。基于Logistic回归模型的云图处理方法被用于FY-2C卫星云图的处理。利用逐步回归方法对云图的灰度及纹理特征进行提取,并计算出每个特征的回归系数;利用提取的特征进行云检测实验。将实验结果与地面观测资料进行对比,表明Logistic回归模型对云图处理是有效的,并且与传统的动态阈值分割方法相比,云检测的效果更好。     

利用静止气象卫星监测浙江海上大雾

卫星遥感是监测大雾的重要手段,利用静止气象卫星监测海上大雾,可以得到时间分辨率比极轨卫星更高、空间覆盖比地面观测更连续的大雾产品。采用分级判识太阳高度角阈值和归一化大雾指数(NDFI)的方法,反演了2008年至今浙江海雾的逐时分布,并将静止卫星(MTSAT)遥感大雾监测结果与近5年地面大雾观测和2013年春季能见度自动观测记录作对比,结果显示遥感反演的总体精度分别为68.4%和69.6%,且空间分布上与地面观测相吻合。表明该方法可突出雾与其他地物的差异,且判识方法简单、实用性强、准确率较高;实时监测浙江海上大雾是可行的,具有良好的业务应用前景。不同时段正确率的验证结果显示,该方法更适用于海雾频发的冬春季以及白天的监测。     

耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型研究

云覆盖阻碍了光学遥感卫星对地观测的有效范围,快速、准确的云检测是遥感应用产品生成过程中的重要一步。针对Google Earth Engine云平台中缺乏适用且高质量的云检测模型,以热带多云的斯里兰卡为研究区,构建了耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型,通过实验从目视判读与定量分析两个角度对比了其与QA60法、Cloud-Score算法以及Fmask的云检测精度,并在海南岛和亚马逊森林两个地区进行了云检测测试。研究结果表明：Fmask模型的云检测性能最低,总体精度仅为63.45%,存在严重的水体误分为云的现象,但其漏提率极低;QA60法对卷云识别不足,漏提率较高,同时存在一定的误分现象,并且低空间分辨率影响了云体边界提取结果的细节性;Cloud-Score算法的云检测性能明显好于QA60法,总体精度达到了89.83%,误提率仅为2.17%,但仍存在部分卷云漏提的现象;相比于其他3种云检测方法,本文提出的云检测模型总体精度最高,达到了98.21%,并且拥有极低的漏提率和误提率,能比较精准地识别出云体的边界,可满足Sentinel-2遥感产品的云检测预处...     

基于深度学习算法的卫星影像变化监测

遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.     

基于视觉注意机制的遥感图像显著性目标检测

显著性目标检测是遥感图像处理的重要研究领域,传统的方法通过逐个像素点的计算来实现目标检测,难以满足遥感图像大面积实时处理的要求。将视觉注意机制应用到遥感图像的显著性目标检测中,在训练阶段,将所有的目标融合成目标类,所有的背景融合成背景类,目标类的显著性均值与背景类的显著性均值的比值得到一个权重向量;在检测阶段,所有的特征图乘以权重向量得到自顶向下的显著性图;自顶向下和自底向上的显著性图融合生成全局显著性图。实验结果表明当目标和背景不是总成对出现时,该方法的检测结果优于Navalpakkam模型和Frintrop模型的检测结果。