高分辨率彩色遥感卫星影像的自动云检测算法研究

发布时间：2020-07-30 08:36

【摘要】：随着对地观测技术的快速发展,遥感影像的获取正变得越来越容易,每天都有大量新的遥感图像数据生成,而这些图像如今在大量领域中都得到了广泛应用。国际卫星云气候计划(ISCCP,International Satellite Cloud Climatology Project)的统计数据显示,地球表面平均有66.7%的区域被云层覆盖,在有云的情景下,遥感卫星拍摄到的地面图像会受到云层遮挡的影响。云层对遥感图像拍摄区域的遮挡,不仅会导致图像中的可用信息缺失,还会影响大气参数反演、目标检测、地物的分类与识别、大气校正、气溶胶反演、立体匹配,以及叶面积指数(LAI,Leaf Area Index)、FAPAR(The Fraction of Absorbed Photosynthetically Active Radiation,光合有效辐射吸收系数)、NPP(Net Primary Productivity,植被净初级生产力)等生物物理参数的估算,也会给影像的配准、融合等后续处理造成诸多影响,所以我们需要对遥感图像中的云做准确的识别与分割。传统的基于光谱特性的云检测算法需要待检测的遥感图像包含大量的特定波段,算法的普适性不强,无法应用于各类遥感图像,云与地面物体种类繁多,很多类型的下垫面在光谱特性上与云极为相似,不同类型的云与各类地面目标的纹理也多种多样。因此,我们有必要对云和地面物体的特性进行研究。遥感图像的云检测问题有多种基本的解决思路,其中一种针对高分辨率遥感图像的典型思路是将云检测的过程视为对图像进行语义分割。本文第三章提出了一种有效的自动云检测方法,首先利用色彩特征提取遥感图像中的高反射率目标,然后在多尺度图像分解技术的基础上,结合边缘保持滤波器中的域变换滤波进行纹理提取,再对利用色彩与纹理特征特征所得的结果中的边缘进行更精细的分割,去除形状规则的人造建筑物以及其他非云区域,实现了一种有效的自动云检测方法。在此基础上,本文在第四章又结合U-Net全卷积图像语义分割网络对该方法进行了改进。通过实验对比,证明了本文所提出的两种算法均具有较好的检测性能。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751
【图文】：

遥感图像,边缘保持,卷积,云检测

FCN的基础上进行了改进，提出了一种针遥感图像云检测的边缘保持分割网络，其结构如图1.1所示，该文献将用于边缘检测的网络结构与用于图像像素分割的FCN网络相结合，利用边缘检测网络所提取的特征来提升FCN对像素的分类效果，此外还针对云及地面干扰物（如海浪、冰雪、沙地、海滩）的特点提出了一种由易到难的深度学习训练策略。(a)原图(b)手工标注图图1.2遥感图像云检测数据集示例6

区域图,冰雪,区域,分辨率

及更清晰的几何形状特性，光谱特性的空间分布上也更为独特。在高分辨率遥感图像中，大部分厚云区域内部的纹理都较为平滑也较为统一，共性明显，其对比度相对其他区域也较低。如图2.3所示为不同分辨率下冰雪区域纹12

卷积云,高积云,网状层,纹理

级差大的纹理[26]，如图2.5所示。除了纹理以外，这些云的面积更小、形状更复杂、空间分布更零碎，与一些地物具有共性，这为通过形状和纹理检测带来了难度。(a)鱼鳞状卷积云(b)透光高积云(c)网状层积云图2.5纹理复杂细致的云在中低分辨率遥感图像中，由于单个像素的分辨率低于10m-100m，云的边缘更为清晰，边缘内外的灰度跳变明显。但在高分辨率遥感图像中，云的边缘区域较为模糊，通常是半透明的，半透明的云区边缘混合了下垫面的色彩及纹理，此外，高分辨率图像还能观察到出极薄的云，这些因素都加大了判定图像像素是否为云的难度。对于高分辨率图像而言

【参考文献】