基于神经网络的Landsat 8影像云检测方法研究
发布时间:2021-12-01 22:15
近年来,随着遥感技术的兴起,各行各业对卫星数据的需求也随之增加。Landsat系列数据作为最重要的对地观测的卫星数据源之一,凭借长期连续、覆盖全球以及适当的时空间分辨率等优点,逐渐成为观测地表特征和研究地球系统的应用中最为有效的数据之一。然而,云污染对Landsat系列影像的影响严重,云对地表参数和大气参数的反演也产生重大影响,极大地降低了遥感影像的利用率。因此,云检测是遥感影像处理中不可或缺的一步,现有的云检测方法往往存在依赖特定的传感器和波段、参数要求苛刻等问题。本文结合深度学习理论,研究出基于神经网络的Landsat 8数据的云检测方法。研究主要围绕以下几方面:首先,详细地总结了国外内外云识别的研究现状,并对方法做了分类归纳。总结了遥感影像中云的各种特征,深入研究并实现了目前最流行的Fmask云识别算法,并根据其易丢失空间特征的不足引入了神经网络相关概念。其次,根据云检测的实际需要,设计出三种用于云检测的神经网络,分别是CNN、U-net和SCU-net。用真实数据集对其进行训练,并根据训练过程选取最佳参数的云识别模型。然后,根据云层的空间和光谱特征,提出一种云失真的混合模型,并...
【文章来源】:中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】:79 页
【学位级别】:硕士
【部分图文】:
015年全球Landsat8影像含云量统计
中国地质大学(北京)工程硕士学位论文8图1-2技术路线图1.4论文章节结构围绕上述内容,本文的章节安排如下:第一章为绪论。详细论述了论文研究的内容与意义,国内外云识别的研究现状,目前云识别问题中存在的不足,以及本文所研究的问题和技术路线。第二章为遥感影像云检测原理。主要总结了云检测过程中所应用到的理论知识,首先介绍了遥感影像中云的各种特征,深入研究并实现了目前最流行的Fmask云识别算法,然后引入当下应用广泛的深度学习概念,诠释基于神经网络的分类算法来解决云检测问题的可能性。第三章为云检测网络设计。根据上一章所介绍的分类算法原理,设计三种不同的神经网络用来解决云检测问题,并通过训练与调试,得到网络训练的最佳模型。第四章为云检测算法实验。根据遥感影像中云的特征提出云失真混合模型,并根据模型进行数据模拟。利用模拟数据以及两种真实数据集对设计的算法进行验证试验。并根据实验结果,从下垫面类型和云形状的类型讨论不同情况下算法的效果。第五章为总结与展望。总结本文研究的内容和不足之处,并对未来的研究前景进行展望。
中国地质大学(北京)工程硕士学位论文10地物信息属于高频分量。因此,受云污染严重的影响低频信息会异常突出,变相减小了高频信息的输出,具体在影像上体现就是像元变换速度缓慢,细节模糊,信息丢失等等。从空间上来说,主要指的是云层形态上的纹理特征和空间上分布的特征。不同种类的云纹理特点各不相同,层云顶部光滑,卷云呈絮状或团状,雨积云表面褶皱众多,薄云边界模糊,易和地物混淆。云层的分布没有特殊规律,一般来说,云在大范围中集中,在小范围内离散,无法人为预测。图2-1Landsat8影像中不同的云种类由图2-1所示,根据云几何形状和密度的不同,大致可分为三种:薄云、厚云和碎云。厚云面积大,一般呈厚重的块状,分布集中,太阳辐射几乎不能透过云层,传感器无法接收到地面信息,厚云下覆盖的信息视为完全丢失;相对的,薄云可以透过一部分太阳辐射,传感器接收到的地表辐射信息与云的低频信息相互掺杂;碎云则是厚云和薄云的结合体,它们分布没有厚云集中,相对分散,但是比薄云更厚,很多飞行器往往会被误识别为碎云。2.2电磁辐射理论遥感的图像是电磁辐射与地表相互作用的一种记录,传感器通过接收来自地表的电磁辐射从而生成遥感图像。而来自地表的电磁辐射能量其源头主要来自太阳辐射。太阳辐射的大部分能量集中于近紫外-中红外(0.31~5.6m)区内,占全部能量的97.5%,其中可见光占43.5%、近红外占36.8%。而近紫外-短波红外(0.31~2.5m),占全部能量的95%左右。由此可见,太阳辐射主要为短波辐射。在此光谱区内太阳辐射的强度变化很小,可以当作很稳定的辐射源。
【参考文献】:
期刊论文
[1]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[2]基于Landsat 8影像的多光谱厚云检测方法研究[J]. 朱冰雪,陈圣波,周超,孙士超,范宪创. 地理空间信息. 2018(06)
[3]基于Landsat 8 QA云标识的云影识别方法研究[J]. 王蔷,黄翀,刘高焕,刘庆生,李贺,陈卓然. 地球信息科学学报. 2018(01)
[4]基于条件随机场的多时相遥感影像分类[J]. 汪光亚,曹国,尚岩峰. 计算机应用研究. 2018(09)
[5]遥感图像的云分类和云检测技术研究[J]. 周雪珺,杨晓非,姚行中. 图学学报. 2014(05)
[6]Landsat系列卫星对地观测40年回顾及LDCM前瞻[J]. 姜高珍,韩冰,高应波,杨崇俊. 遥感学报. 2013(05)
[7]Landsat TM遥感影像中厚云和阴影去除[J]. 李炳燮,马张宝,齐清文,刘高焕. 遥感学报. 2010(03)
[8]基于模糊聚类的MODIS云检测算法研究[J]. 潘聪,夏斌,陈彧,陈红顺. 微计算机信息. 2009(04)
[9]基于人工神经网络的云自动检测算法[J]. 康晓光,孙龙祥. 解放军理工大学学报(自然科学版). 2005(05)
[10]基于光谱分析的MODIS云检测算法研究[J]. 李微,方圣辉,佃袁勇,郭建星. 武汉大学学报(信息科学版). 2005(05)
博士论文
[1]多光谱卫星遥感影像云及云阴影精准检测算法研究[D]. 邱实.电子科技大学 2018
硕士论文
[1]基于多尺度FCN-CRF和强化学习的高分辨SAR图像语义分割[D]. 孙莹莹.西安电子科技大学 2018
[2]基于特征融合的Landsat图像云检测算法研究[D]. 蔡克洋.武汉理工大学 2018
[3]基于波谱面积比值的Landsat 8复杂背景云识别方法研究[D]. 郭仲皓.浙江大学 2018
[4]基于遥感影像特征的云雾去除模型对比研究[D]. 张文君.云南大学 2016
[5]基于支持向量机的Landsat多光谱影像云检测算法研究[D]. 陈长春.安徽大学 2014
[6]遥感图像厚云去除方法研究[D]. 王政.广西师范大学 2014
本文编号:3527156
【文章来源】:中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】:79 页
【学位级别】:硕士
【部分图文】:
015年全球Landsat8影像含云量统计
中国地质大学(北京)工程硕士学位论文8图1-2技术路线图1.4论文章节结构围绕上述内容,本文的章节安排如下:第一章为绪论。详细论述了论文研究的内容与意义,国内外云识别的研究现状,目前云识别问题中存在的不足,以及本文所研究的问题和技术路线。第二章为遥感影像云检测原理。主要总结了云检测过程中所应用到的理论知识,首先介绍了遥感影像中云的各种特征,深入研究并实现了目前最流行的Fmask云识别算法,然后引入当下应用广泛的深度学习概念,诠释基于神经网络的分类算法来解决云检测问题的可能性。第三章为云检测网络设计。根据上一章所介绍的分类算法原理,设计三种不同的神经网络用来解决云检测问题,并通过训练与调试,得到网络训练的最佳模型。第四章为云检测算法实验。根据遥感影像中云的特征提出云失真混合模型,并根据模型进行数据模拟。利用模拟数据以及两种真实数据集对设计的算法进行验证试验。并根据实验结果,从下垫面类型和云形状的类型讨论不同情况下算法的效果。第五章为总结与展望。总结本文研究的内容和不足之处,并对未来的研究前景进行展望。
中国地质大学(北京)工程硕士学位论文10地物信息属于高频分量。因此,受云污染严重的影响低频信息会异常突出,变相减小了高频信息的输出,具体在影像上体现就是像元变换速度缓慢,细节模糊,信息丢失等等。从空间上来说,主要指的是云层形态上的纹理特征和空间上分布的特征。不同种类的云纹理特点各不相同,层云顶部光滑,卷云呈絮状或团状,雨积云表面褶皱众多,薄云边界模糊,易和地物混淆。云层的分布没有特殊规律,一般来说,云在大范围中集中,在小范围内离散,无法人为预测。图2-1Landsat8影像中不同的云种类由图2-1所示,根据云几何形状和密度的不同,大致可分为三种:薄云、厚云和碎云。厚云面积大,一般呈厚重的块状,分布集中,太阳辐射几乎不能透过云层,传感器无法接收到地面信息,厚云下覆盖的信息视为完全丢失;相对的,薄云可以透过一部分太阳辐射,传感器接收到的地表辐射信息与云的低频信息相互掺杂;碎云则是厚云和薄云的结合体,它们分布没有厚云集中,相对分散,但是比薄云更厚,很多飞行器往往会被误识别为碎云。2.2电磁辐射理论遥感的图像是电磁辐射与地表相互作用的一种记录,传感器通过接收来自地表的电磁辐射从而生成遥感图像。而来自地表的电磁辐射能量其源头主要来自太阳辐射。太阳辐射的大部分能量集中于近紫外-中红外(0.31~5.6m)区内,占全部能量的97.5%,其中可见光占43.5%、近红外占36.8%。而近紫外-短波红外(0.31~2.5m),占全部能量的95%左右。由此可见,太阳辐射主要为短波辐射。在此光谱区内太阳辐射的强度变化很小,可以当作很稳定的辐射源。
【参考文献】:
期刊论文
[1]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[2]基于Landsat 8影像的多光谱厚云检测方法研究[J]. 朱冰雪,陈圣波,周超,孙士超,范宪创. 地理空间信息. 2018(06)
[3]基于Landsat 8 QA云标识的云影识别方法研究[J]. 王蔷,黄翀,刘高焕,刘庆生,李贺,陈卓然. 地球信息科学学报. 2018(01)
[4]基于条件随机场的多时相遥感影像分类[J]. 汪光亚,曹国,尚岩峰. 计算机应用研究. 2018(09)
[5]遥感图像的云分类和云检测技术研究[J]. 周雪珺,杨晓非,姚行中. 图学学报. 2014(05)
[6]Landsat系列卫星对地观测40年回顾及LDCM前瞻[J]. 姜高珍,韩冰,高应波,杨崇俊. 遥感学报. 2013(05)
[7]Landsat TM遥感影像中厚云和阴影去除[J]. 李炳燮,马张宝,齐清文,刘高焕. 遥感学报. 2010(03)
[8]基于模糊聚类的MODIS云检测算法研究[J]. 潘聪,夏斌,陈彧,陈红顺. 微计算机信息. 2009(04)
[9]基于人工神经网络的云自动检测算法[J]. 康晓光,孙龙祥. 解放军理工大学学报(自然科学版). 2005(05)
[10]基于光谱分析的MODIS云检测算法研究[J]. 李微,方圣辉,佃袁勇,郭建星. 武汉大学学报(信息科学版). 2005(05)
博士论文
[1]多光谱卫星遥感影像云及云阴影精准检测算法研究[D]. 邱实.电子科技大学 2018
硕士论文
[1]基于多尺度FCN-CRF和强化学习的高分辨SAR图像语义分割[D]. 孙莹莹.西安电子科技大学 2018
[2]基于特征融合的Landsat图像云检测算法研究[D]. 蔡克洋.武汉理工大学 2018
[3]基于波谱面积比值的Landsat 8复杂背景云识别方法研究[D]. 郭仲皓.浙江大学 2018
[4]基于遥感影像特征的云雾去除模型对比研究[D]. 张文君.云南大学 2016
[5]基于支持向量机的Landsat多光谱影像云检测算法研究[D]. 陈长春.安徽大学 2014
[6]遥感图像厚云去除方法研究[D]. 王政.广西师范大学 2014
本文编号:3527156
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/3527156.html