Comparisons of cloud detection among four satellite sensors on severe haze days in eastern China

云在天气、气候和地球能量平衡中非常重要。雾霾地区不同卫星云探测精度如何的研究较少。本论文详细比较了中国东部地区2015–2016年冬季2次严重雾霾天气时,"A-Train"星群上四个遥感器的云探测。结果显示,在雾霾区域,MODIS/Aqua真彩色图和CALIOP/CALIPSO清楚地观测到气溶胶层时,AIRS/Aqua、CALIOP和CPR/CloudSat没有观测到云,而MODIS则观测到云顶高度接近地面的云,表明MODIS将气溶胶误判为云。更多雾霾天气个例结果显示,在雾霾区域,MODIS云量比AIRS云量高13%–49%,平均高36%.

基于Landsat影像自身特征的薄云自动探测与去除

为有效地去除Landsat云的影响,恢复云区地物信息,基于单景Landsat影像的自身特征,通过利用影像中无云区地物的band1和band3高度相关特性确定晴空线,使用修改的最优化薄云变换算法计算受云影响的像元相对于晴空线的偏离距离(HOT),依据HOT的大小实现云的自动探测.对HOT图像进行阈值分割,将云从薄到厚进行分级;然后利用近红外和短波红外波段对云区和非云区的地物进行自动聚类,并根据云的等级和地物类型将云区可见光影像和对应地物的无云区影像进行匹配,实现薄云的去除.试验结果表明,云的探测快速准确,薄云的去除效果较好.

Landsat 8 OLI-TIRS遥感影像云层去除的3种方法对比分析研究

遥感影像的拍摄会受到大气、环境等多方面的影响,遥感图像被部分的云覆盖也就不可避免了。为了检验云层去除的效果,采用云量达到28.18%的Landsat-8 OLI-TIRS卫星影像,通过去霾处理、同态滤波、傅立叶变换三种方式,对去除结果从定性和定量两个方面进行了评价。从信息熵、均值、标准差3个具体的定量指标来分析,去霾处理在云层去除方面的效果明显优于其它两种方式。

遥感影像云检测和云去除方法综述

遥感影像是目前可以大范围获取海洋、大气和地球表面信息的数据资源,在农业、军事和城市规划等各个领域发挥重要作用.但是在影像观测过程中会受到云雾等污染因素的影响,导致遥感影像信息缺失,在实际应用中造成巨大的资源损失和浪费.因此,如何对遥感影像云雾覆盖区域进行检测并对其进行校正和修复是国内外专家广泛关注的具有挑战性的难点问题.全面综述其研究进展,总结了现有遥感影像云层检测和去除的挑战;根据是否利用深度学习技术将云检测方法分为2大类,根据是否利用辅助影像将云去除方法分为3大类,依照不同方法特性系统分析和对比了其基本原理和优缺点;基于上述总结在2组遥感影像公开数据集上分别对4种云检测、4种薄云去除和4种厚云去除方法进行了性能评测;最后讨论了本领域目前仍存在的问题,对未来研究方向进行了预测,希望能够对该领域研究人员提供有价值的参考.

雾天环境下前车车距测量方法研究

为解决雾天环境下道路上车辆与前车车距测量问题,构造车载雾天图像快速处理以及前车车距测量实验平台。以暗通道算法为基础,基于能见度图像分割算法估算大气光值,利用双边滤波细化折射率图,在分割区域上进行不同程度去雾,有效解决暗通道算法应用在道路图像上产生的色彩失真、对比度过低等问题。利用边缘检测算法、霍夫变换算法完成对车辆边框的检测,搭建测距模型测量出前方车辆的距离。结果表明,构造的平台能够在能见度小于100 m的浓雾环境下测量出前方车辆车距,并能及时告警。

基于DehazeNet与边缘检测均值引导滤波图像去雾算法

针对目前在有较多明暗区域的雾天图像去雾处理,存在恢复的图像偏暗和丢失图像边缘细节信息的问题,提出了基于DehazeNet与边缘检测均值引导滤波图像去雾算法。使用DehazeNet可训练卷积神经网络,根据4个雾天相关特征来估计雾天图像的初透射率图;通过局部的大气光值获得初大气光值图,替代单个大气光值,避免恢复的图像偏暗;提出边缘检测均值引导滤波算法,分别对初透射率图和初大气光值图进行优化,保留边缘细节信息;最后基于大气散射模型还原出去雾后的图像。实验结果表明:该算法去雾图像的主观视觉效果较好,且图像信息熵、峰值信噪比和结构相似性3方面的客观评价结果也较优于其它对比算法。可以解决恢复图像偏暗和丢失图像边缘细节信息的问题,使去雾图像清晰自然。

基于雾天复杂场景下的道路目标检测研究

针对智能驾驶车辆在雾天场景下行驶时,视野内的大量检测目标存在被烟雾遮挡而导致目标难以被检测的问题,本文提出了一种先去雾再检测的道路目标检测方法。对采集的雾天图像进行基于暗通道先验理论去雾处理,再将其送入训练好的YOLOv3目标检测模型进行推理检测,并在去雾算法中引入导向滤波方法。为使YOLOv3检测模型具有更好的检测性能,将目标框回归损失函数从原来的CIoU改进为SIoU,并在BBD100K数据集的部分标注图像下进行实验。实验结果表明,在YOLOv3网络模型下,使用CIoU损失函数时检测精度为45.8%,使用SIoU损失函数时检测精度为46.6%,提升了0.8%;将雾化图像经过去雾处理后再进行目标检测,其不同雾化程度图像的检测精度分别由28.7%,25.1%,19.0%和8.35%提高到43.1%,40.5%,36.1%和26.7%,检测精度得到了大幅提升。该方法对雾天道路目标检测具有较好的检测性能,既降低雾天道路目标的检测难度,又提高了驾驶的安全性。该研究具有一定的实际应用价值。

环境二号卫星多光谱图像的薄云检测及去除

在遥感图像中,大面积的薄云会使得地物信息被遮蔽,从而对后续图像的判读以及应用产生极大的影响。为消除卫星图像中薄云对下垫面的影响,开发了针对多光谱图像的薄云检测与去除算法。该算法首先利用蓝绿波段合成外推波段,通过暗像元搜索,生成薄云厚度图(HTM)和薄云掩膜图,进而得到无云区像元与云区像元;再计算图像每个波段的HTM,利用外推波段的HTM与每个波段的HTM求得每个波段的线性回归系数,由该系数对图像进行薄云去除。将该方法应用于环境减灾二号(HJ-2A/B)卫星的多光谱图像,研究结果表明,对不同地表类型,薄云去除后图像质量均得到明显的提升,能够清晰地展现出薄云下覆盖的地物信息,并且不影响无云区域的图像质量。利用该算法进行薄云去除后,卫星多光谱图像的清晰度、对比度和标准差都有显著的提升,为后续图像应用提供了质量保障。

航拍图像去云方法研究综述

云区的存在严重影响了航拍图像的后期解译工作,如何高质量地去除云区干扰是当前航拍图像研究的重要内容之一。随着深度学习等技术的成熟和专用数据集的出现,航拍图像去云任务引起了研究者的广泛关注,也取得了阶段性成果。首先,介绍了几种常用数据集,结合数量、分辨率大小、获取媒介及特点进行了对比分析,同时给出了下载链接;然后,依据去云模型是否使用深度学习方法将去云方法分为基于经典理论的去云方法和基于深度学习的去云方法,突出阐述了基于深度学习的方法,并按照互补数据来源、应用场景、使用数据集、自身特点对各方法进行对比分析,重点对相关模型进行了说明,之后,介绍了常用的几种评价指标。最后,对现有方法中存在的问题进行讨论分析,并对未来的发展方向进行了展望。

基于无抽样小波的遥感影像薄云检测与去除

针对全色波段遥感影像提出了一种基于无抽样小波变换的薄云去除算法。对实际的卫星影像和航空影像所进行的试验结果表明,该方法是十分有效的。

基于加权暗通道的图像去雾方法

传统基于暗通道图像去雾中仅考虑初始透射图对于透射图优化的影响,而未充分考虑深度信息对于透射图优化贡献不同的特点,造成去雾结果在深度不连续处出现"晕"且离视点较远区域的去雾效果有明显下降.针对上述问题,本文提出一种基于边缘特征的加权暗通道先验去雾算法.该方法根据边缘特征的位置估计深度信息的连续性,将边缘点及非边缘点赋予不同权值,对加权透射图优化求解.仿真实验表明,新的去雾算法在恢复图像细节的基础上能够有效抑制"晕"的产生,证实了本文方法的可行性和有效性.

基于光谱及几何信息的TM图像厚云去除算法

为了去除厚云及其阴影对光学遥感图像的影响,以TM图像为实验数据提出一种基于光谱及几何信息的去厚云算法。在分析单图像云区多光谱特征及对比多时相图像光谱特征的基础上,首先检测光谱特征明显的厚云,依据云和云影成对出现的成像几何关系,按确定的方位和距离搜索云影;然后采用数学形态学的侵蚀与膨胀算法对云区边缘进行碎片去除及填补、合并处理,使其准确反映图像中受云影响的数据总量;最后利用光谱线性回归匹配后的参考图像替换目标图像中的云区,达到去云目的。实验结果表明,上述算法去厚云效果显著,能够有效排除水体及地形阴影对云影识别的影响,具有快速、简单、实用性强的特点。

分类线性回归的Landsat影像去云方法

首先,对参考影像和待去云影像上的云覆盖区域进行检测和掩膜;然后,对掩膜后的参考影像进行ISODATA聚类,并建立各个类别参考影像到待去云影像灰度值的线性回归方程;再对待去云影像上的云覆盖区域,依据参考影像上的灰度值进行最小距离方法分类,划分到聚类形成的各个类别之中;最后,依据各个类别回归方程进行灰度值预测。实验结果表明,所提方法能够进行云区的检测和去除,预测精度相比传统方法有较大提高。

多光谱低空遥感图像光照辐射度校正

为了提高受云层阴影影响的遥感图像的信息提取准确度,该文以水稻小区试验过程中为进行氮素水平检测而采集的低空机载高分辨率多光谱遥感图像为对象,对受云层阴影影响的高光谱图像进行光谱校正,从而提高氮素水平检测的精度。试验中采用机载的双摄像机同步采集可见光和近红外的水稻遥感图像,并将两摄像机的图像进行几何校正后合成得到彩红外(color infrared,CIR)光谱图像;同时在图像采集区域布置3块不同反射率的1.2 m×1.2 m标定靶,利用便携式光谱仪测定标定靶的反射光谱曲线,并统计标定靶在图像中各通道的亮度均值。以标定靶在晴天无云和有云图像中的亮度值为节点,对G、R和近红外(near infrared,NIR)通道分别建立分段的线性变换模型进行校正。为验证校正精度,在遥感图像中分别选择大田水稻、小区试验田块和裸地3个不同区域的图像的G、R和NIR通道像素亮度均值及归一化植被指数(normalized differential vegetation index,NDVI)作为评价指标。试验结果表明,和传统的整体线性变换相比,采用分段线性变换校正具有较高精度,G、R和NIR通道校正后的平均误差为8.6%,9.1%和11.7%,NDVI平均误差为11.5%,有效提高了阴影条件下的遥感图像的信息提取精度,提高了受云层影响遥感图像的利用率。研究为低空遥感的图像校正提供了参考。

雾霾天气下交通标志的检测与识别

针对我国当前交通环境的多变性,尤其是雾霾天气的出现,提出了一种在雾霾天气下快速实现交通标志分类识别的算法.首先,将图像从RGB颜色空间转换到HSV空间,对S通道图像边缘检测,计算标志牌的圆形度、矩形度等,判定标志牌的形状,定位提取标志牌所在的区域,根据标志牌的颜色和形状的匹配唯一性,对标志牌进行初步分类,然后提取标志牌所在的区域进行模板匹配,读取标志牌的具体含义.实验结果表明:该算法能有效地提高雾霾等恶劣天气下交通标志的检测率,并能满足实时性需求.

基于面向对象与替换法的遥感影像云检测与去除技术

裁剪20090716和20090730两景HJ-1 CCD多光谱影像的部分作为试验区,基于面向对象法实现了厚云、薄云及云影的检测,进而利用替换法去除云和云影。对原影像、去云后影像的像元灰度均值、最大值、标准差、熵等指标进行了比较,结果表明,还原后的影像符合地面实际,面向对象与替换法可作为HJ-1 CCD多光谱数据的云检测与去除的重要方法。

遥感影像云团和云影检测与去除

以图像处理和分析理论为依据,建立了云团、云影图像模型和区域恢复模型,并采用阈值法对图像分割。用1988年TM遥感影像对2002年ETM遥感影像中云团及云影进行去除试验,再现云团和云影区地物特征,提高遥感影像数据的可用性。结果表明,使用阈值法并利用直方图形态分析选取阈值、检测云团和云影的计算方法简单且效果好;选取合适的两遥感影像灰度平均值之比,可以得到理想的恢复效果,再现云团和云影区地物特征,达到提高遥感影像的可用性。

基于特征位置优选整合的快速城区检测算法

遥感图像中城市区域的自动分析解译是遥感对地观测领域重要的应用方向,针对自动高效城区检测的迫切需求,提出了一种基于遥感图像的城区区域快速检测算法.首先通过智能去雾处理降低薄雾气象条件对检测的干扰,然后通过快速的关键点搜寻进行城区特征位置初选,并以全局与局部约束相结合的策略筛选出高置信度的城区特征位置,最后通过高斯渲染加权的方法整合城区特征位置,并在获得的城区高斯加权图上自适应分割出最终的城区.本算法使用Google提供的卫星图像进行算法验证测试,可得到准确的检测结果.本检测算法可满足遥感图像城区检测自动化、实时化的需求,大大减小了人工判图的工作量,能够广泛应用于机载或星载平台.

一种改进的基于地平线检测的去雾方法

雾、霾天气是影响图像和视频质量下降的重要因素,给室外视频任务带来很大不便。考虑到远景视频中地平线的存在,提出一种改进的基于地平线检测的去雾方法。该方法基于暗原色先验理论,用改进的地平线检测算法,从整幅图像分割出天空区域,得到雾天图像退化物理模型中的大气光部分,再引入容差机制,提高图像去雾质量。而在对传输图的修正过程中采用图像引导滤波代替既占内存又耗时的软抠图方法。对远景雾天图像的去雾实验表明,该方法改进了原有基于暗原色先验单幅图像去雾方法中白色场景和物体的存在易导致算法无效的限制,有效减小了日周光光晕现象对图像可视化质量的影响,同时提高了算法速度。

SPOT VEGETATION S10影像云和雪盖的检测与处理

以整个中国区域为例,采用3种检测方法对Spot vegetation S10影像上存在的云和雪盖的检测结果进行了对比分析。结果表明,BISE检测器得到的云层和实际最为接近,用Spot vegetation状态地图得到的云层过少,而用Spot vegetation检测器V2.0得到的云和雪盖像素有部分重叠。最后利用云、雪盖像素在时间序列上的相邻像素进行平滑处理方法达到去云和雪盖的目的,研究结果对于Spot vegetation S10影像的噪音消除和应用精度的提高具有借鉴意义。