基于特征融合的Landsat图像云检测算法研究

发布时间：2020-03-17 19:39

【摘要】：Landsat卫星遥感图像在环境监测、资源勘查、灾害分析、林业调查、农业生产等领域都有着广泛的应用。首先,如果观测区域有被云层覆盖,这样就影响了对图像的准确判读;其次,通过云检测将图像有云区域的无用数据剔除,可以大大提高卫星数据回传地面的带宽利用率。因此对Landsat图像进行准确的云检测具有非常重要的意义。本文先分别研究并实现了Gabor小波和卷积神经网络在Landsat图像云检测中的应用,然后融合Gabor小波和卷积神经网络提取的Landsat图像特征,并引入KECA算法对融合后的云图特征进行降维,完成了降维前后的云检测实验及对比分析。本文的创新之处在于:提出了基于卷积神经网络的Landsat图像云检测算法,实验结果表明了本文算法在检测精度上的优势;提出了将Gabor小波与卷积神经网络提取的云图特征进行融合用于云检测,并引入KECA降维算法,有效提高了云检测的精度并降低了算法的时间复杂度。本文的主要研究内容如下:(1)研究了基于Gabor与SVM的Landsat图像云检测算法。在分析Gabor小波算法原理和Landsat图像特点的基础上,通过设置不同方向及尺度的Gabor滤波器提取了Landsat样本图像的160维特征;针对SVM运算量较大的问题,引入了LSSVM分类器对提取的特征进行分类检测,完成了Landsat图像的云检测实验。最后通过实验对比结果验证了本文算法的可行性。(2)研究并提出了一种基于卷积神经网络的Landsat图像云检测算法。在分析了卷积神经网络模型原理及求解的基础上,通过云检测实验完成了卷积神经网络中激活函数,网络层数,卷积核个数以及感受野大小的选取,构建了基于卷积神经网络的云检测模型,设计了本文基于卷积神经网络的云检测实现过程。最后通过实验结果验证了本文基于卷积神经网络云检测算法的有效性。(3)为了进一步提高云检测效果,在前面的研究基础上,提出了将Gabor小波与卷积神经网络提取的云图特征相结合的云检测算法。通过串行组合将两者提取的特征融合成一个无损的新特征向量,并用LSSVM对融合后的特征进行分类,完成了特征融合后的云检测实验。之后又引入KECA算法对融合后的特征向量进行了降维优化,并用LSSVM对降维后的图像特征进行分类检测。实验对比结果表明本文算法可以有效提高云检测精度并降低算法的时间复杂度。
【图文】：

卫星,波段

确保了对全球范围内的长期连续观测，这颗卫星上搭载了制图仪（Enhanced Thematic Mapper，ETM+），这个传感器通过式来获取图像数据，卫星的获取图像的波段数和空间分辨率相比较大的提升。2003 年 5 月，Landsat7 ETM+ 机载扫描行inesCorrector，简称 SLC) 突然发生故障，造成这个时间之后 Land据出现异常，，需要通过 SLC-off 模型进行校正。13 年，美国成功发射了第四代陆地卫星 Landsat-8，为 Landsat 系新鲜血液。卫星搭载了陆地成像仪（Operational Land Imager，OL感器（Thermal Infrared Sensor，TIRS）。其中 OLI 成像仪包括了传感器的所有波段，主要变化是新增了两个波段：气溶胶波段(b0.453 μm)，可以用来观测海岸，短波红外波段(band 9；1.360 1.390进行云检测。Landsat-8 由于其图像数据质量比较高，并且和上一保存了连续性，从发射至今，已经成为了中国卫星遥感地面站的[28]。

云检测,思想,特征空间,下垫面特征

下垫面分类特征空间，把待识别的点和特征空间中的点一一映射云与下垫面特征属性的差异，通过分类器对特征空间进行划分，目标点的相对位置来进行对象的分类与识别，图 1-2 中 x(1)和 x(2)。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【相似文献】