共查询到10条相似文献，搜索用时 31 毫秒
1.
无人机、卫星等获取的高分辨率遥感影像中不可避免地存在云层遮挡问题,这对遥感影像生产和应用造成一定程度的干扰.本文针对RGB彩色遥感影像中存在的云层遮挡问题,提出了一种基于RGB彩色遥感影像的快速云检测方法.首先根据RGB三通道的光谱信息生成粗云图,引入景观格局指数,然后排除地面非云层高亮图斑误差,利用原始影像作为引导,对初步云提取结果进行引导滤波,获得精细化云图,最后对结果进行矢量化处理,自动提取图斑的关键拐点,最大限度保留云的形状,获得真实、美观的矢量化成果.该方法对遥感影像的数据质量和波段数要求低,可以进行快速高精度的云检测.本文利用卫星影像和无人机影像进行快速云检测实验,证明了该方法的有效性. 相似文献
2.
为解决利用Sentinel-2卫星影像进行地物信息提取时云层遮挡造成的信息误判问题，提出了一种基于深度学习的遥感影像云区高精度分割方法。该方法通过预处理的遥感样本数据构建出一种深度神经网络模型，自动提取高层次影像特征；再将影像特征输入分类器，实现遥感影像的像素级分类，从而分割出云覆盖矩阵；最后将云覆盖矩阵转化为云二值图，结合感兴趣区矢量准确获取指定区域云检测结果。选取典型区域进行测试，结果表明：该方法检测精度较高，速度较快，且无须辅助信息与人工干预，可用于Sentinel-2卫星影像不规则区域自动云检测。 相似文献
3.
4.
国产高分辨率卫星影像云检测方法分析 总被引：1，自引：1，他引：0
云检测方法大都针对特定的传感器或依赖多个波段，对参数要求高，而国产高分辨率卫星影像通常包含波段数较少，多数云检测方法不适用。本文采用深度学习的方法，以融合后的高分一号影像为例，应用基于双重视觉注意机制模型进行云检测，并与人工采集、全卷积网络模型的检测结果进行对比。理论分析和研究结果表明：基于双重视觉注意机制的模型云检测结果与人工采集进行对比，正确率为0.986 4；通过增加云样本数量和非云样本数量可有效解决模型对道路、河流、居民地的误检测问题；基于双重视觉注意机制的模型与全卷积网络模型相比，云边界更为准确，模型适用性更强。利用较少的波段信息进行云检测为国产其他高分辨率卫星影像云检测提供了参考。 相似文献
5.
《武汉大学学报(信息科学版)》2016,(9)
云噪声是光学卫星影像的常见问题,为了衡量云噪声对影像融合带来的影响,本文以高通滤波融合算法为例进行分析,指出云与地物的均值相差越大,云对影像融合的影响越大,并提出了一种针对含云影像的融合方法,即联合云检测与高通滤波的含云影像融合方法。该方法首先利用NIR/R-OTSU云检测算法实时进行云检测,判别出影像中的云覆盖区域;其次采用局部优化策略利用高通滤波融合方法分块对非云区域进行处理,得到融合影像。利用资源三号多光谱和正视全色影像进行融合实验,结果表明,本文算法比高通滤波融合方法、亮度色度饱和度(intensity hue saturation,IHS)变换融合方法、Pansharp融合方法更适用于含云影像的融合处理。 相似文献
6.
7.
针对夜间云检测问题,本文基于静止气象卫星Himawari-8影像数据,分析了云像元光谱特征与图像特征,提出了融合光谱阈值与图像技术的静止卫星夜间云检测方法,实现了静止卫星夜间云的快速、准确检测。利用MODIS云产品和CALIPSO雷达数据,对云检测结果进行定性分析与定量验证。结果表明：(1)云检测结果与MODIS的云产品MYD06分布基本一致;(2)算法夜间平均云检测精度达到80.3%;(3)不同季节夜间的云检测精度随季节变化较明显,夏季最高达到83.3%,可以区分不同季节夜间的云与非云区域。因此,融合光谱阈值与图像技术的静止卫星夜间云检测方法能有效实现夜间云检测,为夜间云检测应用提供了新思路。 相似文献
8.
国产高分辨率遥感卫星影像自动云检测 总被引：1，自引：0，他引：1
云检测一直是卫星影像处理的难题,特别是混有地物光谱特性的薄云长期成为影像产品生产的阻碍。本文所介绍的国产高分辨率遥感卫星影像自动云检测方法能够有效克服这一难题。首先采用改进的颜色转换模型,将影像由RGB转换至HIS颜色空间,利用影像强度信息与饱和度信息生成基底图,并使用影像近红外与色调信息对其进行优化,生成修正图。然后利用直方图均衡化与双边滤波结合带限定条件的Otsu阈值分割提取纹理信息,并对修正图进行误差剔除生成云种子图。最后以HIS颜色空间的强度信息为向导,结合云种子图进行云精确提取。与不同自动、人工交互式云检测方法相比,总体精度提高了10%左右,并且能够较好地提升云检测效率。 相似文献
9.
10.
大部分国产卫星波段少,利用传统方法难以进行云检测。本文提出了基于改进D-LinkNet模型的云检测算法,并应用于国产卫星遥感影像的云检测。首先,利用自然资源部国土卫星遥感应用中心提供的人工勾云样本生成二值图标签;其次,对D-LinkNet50的编码器进行改进,使用带有通道注意力机制的ResNeSt50-Block替换原始的ResNet50-Block;然后,对损失函数进行加权,测试分析发现只用交叉熵损失作为损失函数时,检测精度更高;最后,使用条件随机场（CRF）对预测结果进行后处理。试验结果表明,改进D-LinkNet模型在测试集上的IoU提升了1.93%,精度提升了2.45%,保持了较好的云边缘信息,云检测效果高于原D-LinkNet模型。 相似文献