用户登录  |  用户注册
首 页毕业论文毕业设计下载定做交易过程截图支付宝在线支付
当前位置:完美毕业网毕业论文摄影测量与遥感

基于高分辨率影像厚云检测算法

论文代写发表联系:点击这里给我发消息QQ212181988
一键分享拿折扣:

 摘要
云是影响卫星遥感数据准确性的重要因子。准确确定云的范围和相态不仅可以提高陆地参数遥感反演的精度,对于探究云内部水汽和大气的物理构成也是非常重要的。本文总结和分析了云检测的基础理论,基于云的光谱和纹理特征研究了 landsat8-OLI 卫星影像云检测的方法,并利用 ASM方法分离云雪。
首先利用灰度均值和灰度共生矩阵计算的能量作为特征参数提取云区, 然后采用 BP 神经网络的分类方法来分离云和人造建筑物。利用 landsat8-OLI 测试结果表明,该方法能够以较高的精度提取 landsat8 遥感影像中的有云像元。
关键词: landsat8 遥感影像; 灰度共生矩阵; 云检测; BP 神经网络

Abstract


landsat8 have cloud in remote sensing image as the yuan. Key words: landsat8 remote sensing image;Gray symbiotic matrix;Cloud detection;The BP neural network

目录
1绪论 3
1.1研究目的与意义 3
1.2国内外研究现状 4
1.3云检测总体思想和流程 13
2landsat8-OLI 影像云的特征提取 14
2.1landsat8 数据介绍 14
2.2云的特征介绍 14
2.3初步云识别纹理特征参数分析 19
2.4用于 landsat8-OLI 云识别的 B-P 模型 21
3试验结果及分析 25
3.1实验数据 25
3.2试验结果分析 26
4.结束语 28
参考文献: 28
附录 32


1 绪论

1.1研究目的与意义

目前,由于遥感技术本身以及人们认识上的局限性,遥感技术的应用实用化有两个问题有待解决:一是数据处理与实时检测同步性不能满足实用要求;二是遥感图像的处理不能满足实用要求[1][2]。在遥感资料的处理过程中,云检测是首要解决的问题之一,例如:在云图分析、不同遥感图像融合以及光谱数据的定量反演等过程都需要进行云检测等。云检测就是通过对卫星观测到的目标物的辐射值进行区分,然后判断是晴空辐射还是云辐射。检测的目的是进行云区信息提取以及与其背景场分离,所以云和背景场之间的灰色阶的差别是重要的。反差越大,云的特征越容易鉴别。云检测所面临的主要问题是同一目标物反射的太阳辐射随着太阳高度角、纬度和季节的变化会产生变化,卫星图像中目标物对应的灰阶值也会发生相应的变化,所以检测时需要判定包含检测信息量最大的光谱通道以及最优化通道组合用来保证目标物的信息最大可能地得到提取,同时尽量减少参与运算的数


据量,加快云信息提取的速度。
实际上,满幅被云覆盖的遥感图像占遥感图像总数的比例超过 50%,几乎不具备任何可用信息或可用信息较少。同时,由于海洋面积占地球总面积的 71%,遥感图像中也同样包含了大量的海洋背景图像。这两类图像占用了处理系统中大量的存储空间、处理能力和传输带宽,影响了空间光电信息的获取能力,导致数据带宽的利用率下降。因此有必要研究用于提高大容量图像数据传输有效性和效能的云检测技术,从而高效,快速地对卫星平台获取的遥感图像进行云去除。
同时,辐射是地球保持自身能量平衡的唯一方式,云可以通过遮挡太阳和地表辐射来改变能量传输的过程,因而云在辐射收支平衡研究中扮演着重要的角色。另一方面,云能够影响天气状况,在短期内主要表现在小范围的天气变化,在较长的时间尺度上影响大区域的气候变化。因此,对覆盖全球超过 70%的云进行相应的监测,对于地球辐射收支平衡、天气预报和全球气候变化的研究具有非常重要的意义。

1.2国内外研究现状

1.2.1云检测研究现状
基于卫星遥感技术的云检测各国学者已经做了大量的研究工作,国外学者 Goodman 在 1988 年曾将基本算法分为闽值法、统计学方法、辐射传输技术;阈值法其中心思想是根据图像灰度、亮温、反射率或者归一化指数等特征来选取最佳阈值,并逐个将图像像素的特征值与阈值进行比较,最后根据初始设定的阈值将像素划分到相应类别中去,以此来检测云区域及其下垫面。该算法优点是简单、易于实现,算法比较成熟,适合目标和背景的特征参数互不重叠并且在直方图上符合双峰的形式,且双峰交差范围较小,但遥感图像噪声较大,易受下垫面干扰,因此采用固定全局阈值


对图像进行检测会产生大的误差。而现在广泛采用的阈值法与传统的阈值法不一样,现在主要是多通道阈值法,比如 ISCCP 法等,并且经常将阈值法与其他算法比如人工神经网络、小波分析、纹理等方法相结合,多算法协同进行云检测。
统计学方法可以分为两类:统计方程法和聚类分析法。从概率论的角度来看,气象参数及其变化可看为一个随机过程,统计方程法就是通过分析样本数据得到相关参数,并且建立模拟公式计算云的反射率或亮温来进行云识别的。通过大量的观察或试验得到统计数据,进而可以探索出其内在的数量规律性。例如 CLAVR-X 中利用了统计方程法进行白天半透明云的检测。
Diday 在 70 年代提出聚类分析法。这种方法把图像分成一系列像元阵。在像元阵内部通过聚类方法获得像元阵内所有观测像元的分类,最初并未用于云检测,80 年代开始人们才开始将其用于云检测中。 辐射传输算法通过辐射传输模式模拟计算无云条件下的地表反照率或亮温,再经统计得到相应阈值进行云检测。 Peak 等在 1994 年提出人工神经网络法,该方法模拟人类大脑神经系统的工作原理,通过对多数样本的学习,获得样本的相关知识,并将这些知识分布存储在网络中,进而达到对云的理解与识别。
基于多光谱分析的云检测算法主依据是云在可见光范围内反射率较大而在红外波段上亮度温度较低,其主要思路是通过分析云及下垫面不同地物在不同波段光谱特性,找出云及下垫面在不同波段上的差异,利用单个波段数据或者多个波段数据组合,如亮温、亮温差以及反射率、反射率比值、归一化指数等,通过设置固定阈值进而识别象元是否为云。当某通道反射率高于阈值或者亮温低于阈值时,判为有云等。多波谱阈值法主要有
ISCCP 法、APOLLO 法、CLAVR 法、CO2 薄片法等。


ISCCP 方法
ISCCP 本身是国际卫星云气候计划的英文缩写,该组织主要是进行卫星数据收集以及在全球范围内检测及分析云。ISCCP 方法主要由 Seze、
Rossow 和 Garder 等提出。该算法主要针对的是 GOES 卫星资料,利用可见光 0.6um 及红外 11um 两个通道的数据来进行检测。该算法是基于均值与方差的思想,并且需要知道先验知识即晴空辐射的变化范围。该算法假设观测辐射值仅来自于云和晴空两者之一,像元观测辐射值与晴空的辐射值相比对,若两者之间的差值大于晴空辐射本身的最大变化幅度时候,判定该像元是云点。该算法存在的问题就是需要准确确定阈值。
APOLLO 算法
APOLLO 主要由 Saunders、Kriebel、和 Gesell 等提出。利用 AVHRR五个波段资料的基础上,像元被认为是有云必须满足以下条件:待测像元的亮温比所设定的阈值低或反射率比所设定的阈值高;R2/R1 大于 0.7 且小于 1.1;T4-T5 的差值大于所设定的阈值;若像元位于海洋上,此外其空间均一性也不能小于所设定的阈值。该方法采用逻辑与的形式,即只有当像元满足所有检测条件的时候,才认为该像元为晴空,否认认为该像元是云。
CLAVR 算法
CLAVR 算法类似 APOLLO 方法,使用 5 个波段结合阈值的方法进行判断。不同之处在于,CLAVR 算法是以 2 2 矩阵块作为检测单位,四个像素都没通过云检测时候,判定矩阵无云,全都通过检测时判为有云,否则认为是混合型。对于混合型矩阵,如果有云及晴空共同存在的矩阵满足其他如冰/雪等晴空判决条件,该矩阵重新被判为晴空。
CO2 薄片法
CO2 薄片法是 Wylie 等于 1994 年开发研制的, 通过统计分析
NOAA 极轨高分辨率红外辐射探测器(HIRS)多光谱数据(1989 年 6 月-1993年 5 月),得到由 CO2 块技术决定的云的发生、高度以及辐射等数据,通


过分析四年不同地区云的覆盖率及变化情况,提出该算法,主要可以检测高层卷云,但是当仪器噪声较大时候,检测方法将不适用。国内刘希于 2004提出云检测算法划分为阈值法、聚类分析法以及人工神经网络法。国内进行云检测研究相对起步较晚,绝大部分算法都是在国外研究的基础上进行改进的。起初利用的资料主要是 NOAA 系列卫星、GOES 系列卫星的数据。周红妹、杨星卫等于 1995 年选用 NOAA 系列卫星的 AVHRR 数据作为样本,对云的时空特性进行分析,提出可见光反射率自动检测云、红外亮温自动检测云、可见光和红外组合及相关指数判云以及设立云区阈值判云等一系列检测方法,取得了较好的结果。国内利用 MODIS 主要用于自然灾害以及水体、植被等的监测,如中科大火灾国家重点实验室主要用MODIS数据进行林火检测以及烟雾的检测,南京信息工程大学等利用 MODIS 数据进行雾检测,东北师范大学针对积雪在全球水循环及作为淡水资源时的重要意义进行了冰雪的检测,武汉的气候中心利用 MODIS 数据对城市的植被覆盖率进行了监测。此外武汉大学以及解放据理工大学对云检测研究较早较深入,主要是在通道选择上进行研究选取特定通道并结合传统的纹理,聚类等其他方法进行检测。
1.2.2国外研究现状
在 20 世纪前,人们对云进行观测仅仅限于人工目视观测,这种方式受
人的主观性影响大、观测范围小的限制,到 20 世纪 50 年代出现了地基自动观测方法,该方法具有观测时间周期短,精度高的特点,但观测范围较小的限制并没有得到完全解决。气象卫星一般具有较大的刈幅、较高的时间分辨率,因此利用卫星数据进行云监测能够弥补前两者观测范围小的缺陷,也便于在大尺度区域上对云进行监测。为提高遥感图像数据传输的有效性和效能,目前国外主要应用压缩编码技术降低传输数据量,提高数传效能。在遥感图像数据压缩方面,国外取得了突破性进展,其主要成果有[3]:
(1)在数据压缩方面,法国于 1980 年率先研发图像压缩编码技术,在


其陆续发射的 4 种型号 SPOT 系列遥感卫星中,采用 8-5-5-8 DPCM 压缩技术,实现了 4:3 的压缩比,以及 50Mbps 的数传码速率。
(2)1985 年,基于固定码长的 DCT 算法应用于 Phobos 计划中,压缩比最高可达 12,该计划是前苏联和法国合作的深空探测计划。
(3)1993 年,DCT 编码处理机首次搭载于美国 Clementine 月球探测器上,压缩比达到 7:1,数据传输率为 128kbps。至此,DCT 压缩编码理论已成功应用于深空探测工程实践中。
(4)1989 年,矢量量化编码芯片在美国犹他州立大学研发成功,并首次搭载于美国微小卫星上,该技术使得图像压缩比达到 10:l,同时又减小了图像信息的失真度。
(5)2002 年,法国成功发射 SPOT5 号遥感卫星,处理机采用了基于采样网格的 DCT 数据压缩技术,数传码速率为 150Mbps,压缩比为 2.8:1。
(6)1999 年,美国的 IKONOS2 号遥感卫星采用了改进的差分脉冲编码调制技术,压缩比达到 4:1,传输速率为 320Mbps。
(7)2004 年,美国 Spirit 号火星探测漫游车突破 24 倍的压缩比,实现了火星图片的高质量压缩,但数传码速率较低。
(8)2012 年,美国发射 GEOS(Geostationary Operational Environmental
Satellite)系列中的 ABI(Advanced Baseline Imager),采用了 JPEG2000 压缩技术。
基于单一的数据压缩编码技术,欲实现高分率遥感图像的几千 Mbps的高码速率数据传输不仅要求高性能的算法,同时增加了硬件实现难度。在轨云检测技术是克服上述问题的有效途径。然而,大多数的云检测方法是在地面上对已获得的遥感图像进行检测,且图像来源往往是气象卫星,分辨率很低,这类方法显然不能实现数据压缩。高分辨率图像云检测技术起步较晚,相应的研究报告较少见,技术相对并不成熟,目前仅有较少部


分的国内外学者对高分辨率云检测方法进行了研究。
早期经典的云检测方法大多基于多谱段卫星图像融合技术,根据云在不同谱段下的反照率,选取适当的单一阈值,进行云识别,该方法至今仍被广泛应用[4][5][6]。具有代表性的经典方法有 NDVI 法,D 阈值法[7]等。
非线性 NDVI 转换算法是较早应用于卫星云检测的方法,该方法利用联合阈值进行云检测,NDVI 定义为 NDVI=(ρnir - ρred) / (ρnir + ρred),ρnir和 ρred 分别为近红外波段和红光波段的大气上界(TOA)反射率。由于在可见和近红外区域,云的反射率变化幅度要小于植被,云的 NDVI 值接近 0,植被地表为正值,水为负值。然而,土壤的 NDVI 也趋近于 0,极易造成误判。
1995 年,Di Girolamo 和 Davies 提出了基于 NDVI 的改进云检测方法,用于机载可见/红外成像光谱仪(AVIRIS)的航拍图像。该方法通过分析云的物理属性,定义了一种阈值 D:
| NDVI |b
D  (1.1)
2 red
其中 b 可通过计算两类样本在光谱特征空间的分界线斜率来获得,分界线与样本类中心连线正交。应用此方法可有效地识别云,但对于薄云的检测效果较差[7],应用 D 阈值法对 Quick Bird 遥感图像进行云检测,湖面被误判为薄云。
2011 年,南非学者 Izak Van Zyl Marais 等人提出了一种基于模式压缩分类的多通道融合方法,设定阈值进行云检测,该方法被应用于对北非低轨资源多波段卫星Sumbandilasat 的云检测[8]。该方法能够结合四个通道(红、绿、蓝以及近红外)的图像信息,通过优化迭代,对各波段特征进行压缩,提高了检测准确度,耗时短,使在轨实时处理成为可能。多通道阈值法的运算速率较高,可实现在轨实时云检测。然而,此类方法强烈依赖于传感


器,光学系统等参数,不具有自适应性。此外,算法并未充分利用云的结构,几何等成像属性。为提高云检测方法的普适性,近年来,国外学者从云的成像特性角度出发,提出了一系列的基于图像特征的云检测方法。
1998 年,James J. Simpson 等人应用阴影检测法,利用云的阴影效应,并结合 AVHRR 五通道数据对 NOAA 气象卫星图像进行云检测[9]。该方法受太阳天顶角影响较大,且对于高分辨率卫星视场内不存在阴影的大面积云无法检测。
2005 年,法国国家空间研究中心 Ch. Panem 等人针对 SPOT5 卫星多光谱图像和全色图像,建立图像目标几何模型,对云预测模型进行匹配,计算剩余视差,设定阈值完成云检测[10],该方法在很大程度上取决于预测模型的准确性。
2006 年,印度学者 K. Vani 等人针对 Terra 卫星图像和 LISS III 卫星的多光谱图像利用平均亮度阈值(ABT)和区域增长算法去除云污染,并进行对比融合[11],取得了较好的效果。但该方法并未充分考虑云在各谱段的辐射特性,且平均亮度易受太阳光照的影响。
2007 年, 意大利学者 Umberto Amato 等人利用小波分析手段对
METEOSAT 图像进行云检测[12]。尽管小波方法在统计特征选取方面体现了一定的优越性,并可进行多尺度分析,在一定程度上提高了算法的检测率。但其计算复杂,难以实现工程化。
随着多光谱成像技术的发展与普及,云检测技术向统计特征和光谱特征相融合的趋势发展。并逐渐扩展至模式识别技术领域[13][14],机器学习算法及现代数学优化等算法被引入至云检测技术领域。
2009 年,法国学者 Sylvie Le Hégarat-Mascle 基于云的物理属性,根据云及其阴影形状、位置的相关性,运用双马尔科夫随机场(MRF)进行云检测[15]。一个用于像素间连通模型,另一个用于云及其阴影的相关性模型。


该方法对高分辨率遥感卫星云检测效果良好,但面临同样问题,即太阳天顶角对阴影的影响。
2011 年,意大利学者 Riccardo Rossi 等人利用奇异值分解(SVD)技术对图像进行特征提取,应用支持向量机(SVM)分类器实现对 Quick Bird 卫星图像云检测[16]。该方法实现了对高分辨率遥感卫星的云检测,同时避免了成像系统参数对算法的影响,检测概率>91%。但单纯的奇异值分解特征提取技术仅仅从灰度统计分布角度构造特征向量,不能全面表述云的纹理,几何等属性。
2012 年,意大利学者 Paolo Addesso 等在光谱特征的基础上,在 SVM分类器中增加了能够表征云空域相关性的惩罚因子,实现了高准确度的云检测[17]。该方法融合了图像的光谱信息与空域信息,取得了令人满意的效果,但受多光谱配准精度的影响,方法同样不适用于高分辨率全色图像。
1.2.3国内研究现状
国内在云检测方法研究方面起步较晚,且多以引入国外方法为主。多数云检测方法仍是基于气象卫星的多通道数据融合法[18][19]。在中高分辨率遥感卫星云检测方面,国内研究文献极少,技术成熟度相对国外滞后。部分公开文献中出现了图像中薄云薄雾的检测方案[20],但研究方法还是基于国外现有方法,应用背景也大多为气象卫星。真正用于高分辨率全色图像的云检测方法在近几年才逐步被重视,如北航曹琼等人利用云的纹理特征,结合简单分类面实现了高分辨率图像的云检测[21]。
北京理工大学[22]将遥感图像进行区域块划分,通过图像特征参量的提取,采用基于类中心的聚类算法,进行扫描区域的云检测。在处理机研制方面,将算法嵌入至 DSP 板卡中,大幅度地提升了数据处理和运算效率,实现实时云检测和剔除。该方法主要基于硬件算法嵌入,经实际试验验证了实时云判并去除的可行性,但其试验在地面上进行,且未充分考虑算法的性能。

Tags:

作者:佚名
Copyright © 2007-2013 完美毕业网. All Rights Reserved .
页面执行时间:1,062.50000 毫秒
Powered by:完美毕业网 http://www.biye114.com