基于纹理特征的深度学习云和云阴影检测

针对云和云阴影检测过程中存在边界不准确以及易与地表混淆等问题,构建一种融合纹理特征模块的卷积神经网络模型对Landsat 8遥感图像进行云和云阴影检测。引入基于统计特性的纹理特征模块进行纹理特征的提取和学习,在训练过程采用焦点损失函数削弱样本不均衡带来的影响。实验结果表明,该模型细化了云和云阴影的边界等纹理细节,减少了云和云阴影的误检和漏检现象,提高了云和云阴影的检测精度。

基于轻量化卷积神经网络模型的云与云阴影检测方法

大多数遥感影像数据不可避免地受到云层的污染导致数据的失效。因此,对云进行检测是非常必要的预处理步骤。随着航天技术的飞速发展,更加轻便的卫星被设计出来,为在这些算力有限的微小卫星上配备遥感影像预处理模型。设计一种高精度、算力要求低的轻量化云与云阴影检测网络模型具有重要意义。针对上述问题,提出一种基于深度可分离卷积的轻量化卷积神经网络(lightweight M-shaped network,L-MNet)模型,L-MNet网络模型是在M-Net(M-shaped network)模型的基础上引入深度可分离卷积(depthwise separable convolution,DS-Conv),设计一种深度可分离卷积模块(DS-Conv Block),以减小算法的复杂度及计算量。结果表明:所提方法在保证检测精度的前提下,可以有效减小像素级云检测的模型大小及计算量,有助于实现微小卫星在轨云检测的任务。

基于多尺度特征融合网络的云和云阴影检测试验

基于深度学习的高分辨率光学影像云检测过程中,云和云阴影及其边缘细节丢失较为严重,主要原因在于不同尺度空间语义信息特征融合存在不足。针对该问题,本文构建一种基于深度学习的多尺度特征融合网络(Multi-scale Feature Fusion Network,MFFN)的云和云阴影检测方法,该算法结合防止网络退化的残差神经网络模块(Res.block)、扩大网络感受野的多尺度卷积模块(MCM)和提取并融合不同尺度信息的多尺度特征模块(MFM)。试验表明,本算法能提取丰富的空间信息与语义信息,可取得较为精细的云与云阴影掩模,具有较高检测精度,其中云检测准确率达0.9796,云阴影检测准确率达0.8307。同时,该工作可为深度学习技术应用于业务云检测提供理论支持及技术储备。

水体上方云和云阴影检测算法

目前常见的云和云阴影检测主要针对陆地表面,而对于不同类型水体光谱特征对检测结果影响的研究较少。因此针对富含泥沙或者叶绿素的水体,利用云与水体的光谱差异,采用波段组合的方式来识别潜在云像元,提高薄云像元的识别精度;根据云阴影与不同类型水体的光谱特征差异,采用设定动态阈值的方法,准确识别云阴影。利用目视解译法对检测结果进行验证发现,云像元位置准确,边界清晰,总体正确率高于90%;云阴影方位精准,结构完整,总体正确率高于88%。

高分四号卫星数据云和云阴影检测算法

高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。

基于RDA-Net模型的遥感影像云与云阴影检测方法

针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA-Net)的遥感影像云与云阴影检测方法。模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征。首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试。实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节。

高分遥感影像利用云定位的云阴影自动检测

高分遥感影像中云阴影的存在严重影响了遥感影像的质量,为了减小这一影响,提出了利用云定位的云阴影自动检测方法。首先利用云的高亮度特征,使用光谱特征检测法进行云的自动检测;然后利用阴影亮度低、归一化蓝色分量高的特性,构建云阴影的自动初检测;再根据光源、云及其阴影之间的几何光照模型,沿着光照方向,利用云的检测结果对云阴影进一步定位搜寻,利用形状和大小快速寻找到对应的云阴影区域,并根据云检测结果对云阴影的大小和形状进行优化修正,得到云阴影的最终检测结果。实验表明此方法能有效地提高云阴影检测的准确率,可有效排除水体、山体等低亮度非阴影区域的干扰。

无人工标注数据的Landsat影像云检测深度学习方法

云和云阴影检测是Landsat影像产品生产的重要环节。近年来,深度学习极大提升了Landsat影像云检测的精度,但是深度卷积神经网络模型的训练依赖庞大规模的标注图像,需要人工标注出大量图像上每个像素是否为云或云阴影。人工标注成本高、耗时长,不利于训练出具有实用价值的模型。受弱监督学习启发,文章提出一种新的云和云阴影检测模型深度学习方法。首先,采用常规云检测算法CFMask检测Landsat8影像云及其阴影;然后,将其替代人工标注图像用以训练深度卷积神经网络模型;最后,应用训练所得模型检测新图像中的云及其阴影。实验结果表明,所提方法的总体精度为85.55%,与CFMask结果相比精度有所提升,说明利用非人工标注数据训练深度网络模型进而检测云和云阴影的思路是可行的。

陆地卫星遥感图像云检测及云去除方法研究

云一直是遥感图像处理、图像分析的一大障碍。由于受到云层遮挡的影响,就无法获得云层覆盖地区的信息,严重影响图像的质量。为了解决这一问题,研究了利用陆地卫星遥感图像ETM+云检测的方法,以及用相近时相卫星图像去除云的方法。通过相近时相卫星图像替代云区实现了云去除,保证了图像的连续性和客观性,提高了遥感图像的利用率。

中分辨率遥感影像云检测与厚云去除研究综述

中分辨率遥感影像(10~100 m分辨率)具有适中的空间分辨率、较高的重访周期和较大幅宽实现大范围的对地观测,是当前准确获取地球表面信息的核心遥感数据源。已有研究表明,地球表面常年60%以上云量覆盖,成为中分辨率光学影像获取有效地表信息的最大的限制性因素之一。如何高效地标记云/阴影并合成晴空影像,是实现地表要素提取、土地覆盖动态变化和地球系统物质和能量循环参量反演的关键,可视为同辐射校正、几何精校正一样的遥感影像预处理必备步骤,这也是进行各种定量遥感应用的基础。总结过去中分辨率影像云检测和厚云去除的研究发现,云检测截止在2019年有多篇综述文章进行总结,但是厚云去除的综述性文章未有报道。因此,研究重点总结了2018年以来云检测方法的科研成果,尤其是基于机器学习的技术方法,梳理出了这一研究的现状和重点;对于厚云的去除方法,扩展了厚云去除方法的概念,全面总结了各种厚云的去除方法,分析了各种方法存在的优缺点,对今后的研究重点进行了展望,为相关的研究学者对这一方向提供一个全面而清晰的认识。

基于改进M型卷积网络的RGB彩色遥感图像云检测

RGB彩色图像中云没有明显的颜色分布与纹理模式,导致云检测易产生误检且细节丢失严重。针对这一问题,提出一种改进的M型卷积网络(RM-Net)模型,实现端到端的像素级语义分割。对原始数据集进行增强,并标注对应的像素级标签。利用空洞空间金字塔池化,在不丢失信息的前提下提取图像多尺度特征,并结合残差单元使网络不易出现退化。利用编码器模块与左路径提取图像全局上下文信息,利用解码器模块与右路径恢复图像空间分辨率,根据融合后的特征判别每个像元的类别概率,将其输入分类器进行像素级的云和非云分割。对Landsat8和高分一号WFV RGB彩色图像进行训练和测试,实验结果表明本文方法在不同条件下能很好地检测云边缘细节,并取得较高精度的云阴影检测,由此证明本文方法具有较好的泛化性与稳健性。

基于时空数据融合模型的TM影像云去除方法研究

针对已提出的各类云去除方法在实际应用中存在的局限性,将时空数据融合模型引入到云去除方法中。首先基于MODIS数据提供的时间维变化信息和辅助时相TM数据提供的空间信息,应用增强时空适应反射率融合模型(ESTARFM)得到了目标时相似TM合成数据;然后用TM合成数据替换掉目标时相TM影像中被云及其阴影覆盖区域的数据。在修复后的影像中替换区域与非云区域色调基本一致。通过非云区TM合成数据间接对替换云及其阴影区数据的精度进行定量评价。结果表明:相对于真实TM影像,非云区域合成数据各波段均值差异都在1%以内;各波段的相对误差分别为16.29%、12.92%、13.47%、12.87%、9.71%和11.84%,且各波段的相关系数均大于0.7;非云及其阴影区融合影像数据间接表明填补云及阴影区数据各波段的总体精度优于83%。因此,所提出的方法能够修复TM影像中被云及其阴影覆盖区域的数据,提高MODIS与TM数据的利用率。