Cloud removal of remote sensing image based on multi-output support vector regression

Removal of cloud cover on the satellite remote sensing image can effectively improve the availability of remote sensing images. For thin cloud cover, support vector value contourlet transform is used to achieve multi-scale decomposition of the area of thin cloud cover on remote sensing images. Through enhancing coefficients of high frequency and suppressing coefficients of low frequency, the thin cloud is removed. For thick cloud cover, if the areas of thick cloud cover on multi-source or multi-temporal remote sensing images do not overlap, the multi-output support vector regression learning method is used to remove this kind of thick clouds. If the thick cloud cover areas overlap, by using the multi-output learning of the surrounding areas to predict the surface features of the overlapped thick cloud cover areas, this kind of thick cloud is removed. Experimental results show that the proposed cloud removal method can effectively solve the problems of the cloud overlapping and radiation difference among multi-source images. The cloud removal image is clear and smooth.

Transformer-Based Cloud Detection Method for High-Resolution Remote Sensing Imagery

Cloud detection from satellite and drone imagery is crucial for applications such as weather forecasting and environmentalmonitoring.Addressing the limitations of conventional convolutional neural networks,we propose an innovative transformer-based method.This method leverages transformers,which are adept at processing data sequences,to enhance cloud detection accuracy.Additionally,we introduce a Cyclic Refinement Architecture that improves the resolution and quality of feature extraction,thereby aiding in the retention of critical details often lost during cloud detection.Our extensive experimental validation shows that our approach significantly outperforms established models,excelling in high-resolution feature extraction and precise cloud segmentation.By integrating Positional Visual Transformers(PVT)with this architecture,our method advances high-resolution feature delineation and segmentation accuracy.Ultimately,our research offers a novel perspective for surmounting traditional challenges in cloud detection and contributes to the advancement of precise and dependable image analysis across various domains.

Removal of Stripes in Remote Sensing Images Based on Statistics Combined with Image Enhancement

A method to remove stripes from remote sensing images is proposed based on statistics and a new image enhancement method.The overall processing steps for improving the quality of remote sensing images are introduced to provide a general baseline.Due to the differences in satellite sensors when producing images,subtle but inherent stripes can appear at the stitching positions between the sensors.These stitchingstripes cannot be eliminated by conventional relative radiometric calibration.The inherent stitching stripes cause difficulties in downstream tasks such as the segmentation,classification and interpretation of remote sensing images.Therefore,a method to remove the stripes based on statistics and a new image enhancement approach are proposed in this paper.First,the inconsistency in grayscales around stripes is eliminated with the statistical method.Second,the pixels within stripes are weighted and averaged based on updated pixel values to enhance the uniformity of the overall image radiation quality.Finally,the details of the images are highlighted by a new image enhancement method,which makes the whole image clearer.Comprehensive experiments are performed,and the results indicate that the proposed method outperforms the baseline approach in terms of visual quality and radiation correction accuracy.

A Weighted Threshold Secret Sharing Scheme for Remote Sensing Images Based on Chinese Remainder Theorem

The recent advances in remote sensing and computer techniques give birth to the explosive growth of remote sensing images.The emergence of cloud storage has brought new opportunities for storage and management of massive remote sensing images with its large storage space,cost savings.However,the openness of cloud brings challenges for image data security.In this paper,we propose a weighted image sharing scheme to ensure the security of remote sensing in cloud environment,which takes the weights of participants(i.e.,cloud service providers)into consideration.An extended Mignotte sequence is constructed according to the weights of participants,and we can generate image shadow shares based on the hash value which can be obtained from gray value of remote sensing images.Then we store the shadows in every cloud service provider,respectively.At last,we restore the remote sensing image based on the Chinese Remainder Theorem.Experimental results show the proposed scheme can effectively realize the secure storage of remote sensing images in the cloud.The experiment also shows that no matter weight values,each service providers only needs to save one share,which simplifies the management and usage,it also reduces the transmission of secret information,strengthens the security and practicality of this scheme.

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。

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.

基于语义指导和自适应卷积的遥感云检测算法

遥感卫星数据云检测分割是遥感影像处理中的重要环节,为了解决目前碎云薄云检测精度较低的问题,提出了一种采用基于高阶语义解码和自适应卷积编码的云检测方法。这种方法针对云团和碎云薄云之间的空间分布联系,提出了自适应卷积编码器来提取云团之间的关联信息。然后,使用高阶语义指导模块来解码语义特征,指导高分辨率的云掩码图生成。此外,这种方法还设计了一种动态联合损失函数,该损失函数通过动态计算样本中的漏检误检像素来构建权重,以引导神经网络关注碎云薄云特征,从而提高整体精度。实验结果表明,提出的算法在遥感图像上云分割能力可以达到96.5%的精确度和88.1%的交并比,可以很好地检测碎云薄云。

基于GAN网络的遥感图像去云研究

主要研究了遥感图像应用中的重要问题,特别是云遮挡可能导致数据准确性下降的情况。为了克服这一问题,采用了组卷积、多头自注意力机制和生成对抗网络,构建了一种端到端的遥感图像去云网络。通过在RICE数据集上的实验证明,研究的方法在解决云层遮挡问题方面表现显著,成功生成了清晰且无云的遥感图像。总体而言,为水利工程和遥感图像处理领域提供了一种高效的解决方案,尤其在空间信息利用、计算和参数优化方面具备明显优势。

基于自适应反射率融合模型的遥感影像分辨率提高方法研究

遥感具有观测范围广,时效强的特点,广泛应用于铁路工程之类的大面积高复杂地区的监测。然而由于技术和成本的制约,难以获取长时序高分辨率的影像,制约了遥感对地监测的发展。本文基于时空自适应反射率融合模型(ESTARFM),在Google Earth Engine(GEE)云平台对其进行实现。分别选取了黑龙江省份的农村、城市、城郊结合类型的三个区域进行了实验,验证了该算法在预测大面积多变地物的反射率的准确性。结合该算法和平台,能以较快的速度得到高时空分辨率的连续的时间序列影像,满足遥感快速大规模动态监测陆地表面信息的需要。

融合YOLOv5s与Criminisi算法的农业遥感图像去云方法研究

【目的】构建融合YOLOv5s与改进Criminisi算法的农业遥感图像去云方法,为云层干扰环境下地表信息获取、地表物的解译等研究提供支持。【方法】首先使用基于容差的暗通道先验(dark channel prior,DCP)算法去除雾和部分薄云,以提升图像整体对比度与云层边缘清晰度;然后融合YOLOv5s深度学习网络进行云层区域阈值分割,实现云层蒙版的快速精确自动提取;最后通过样本块大小自适应调整策略对Criminisi算法进行改进,实现遥感图像的有效去云修复处理。通过对含不同大小云层的遥感图像进行去云试验,并利用信息熵、峰值信噪比(peak signal-to-noise ratio,PSNR)、均方误差(mean-square error,MSE)和结构相似性(structural similarity index measure,SSIM)4个指标对去云结果进行评价,以验证本研究算法的有效性。【结果】采用融合YOLOv5s和自适应样本块的改进Criminisi算法对8幅含云图像进行了修复,修复后图像的平均PSNR为21.01,平均SSIM为0.77;并对57幅模拟加云图像进行修复,其平均PSNR为28.59,平均SSIM为0.93,表明将改进Criminisi算法应用于遥感图像去云研究是可行的。在此基础上,对本研究算法的适用性以及阴影对去云效果影响的研究表明,不同大小和位置的云层干扰造成未知区域不确定度较大,对修复效果影响较为严重;阴影区域与云区域相接时存在阴影块填充,修复效果尚有待提升。【结论】融合YOLOv5s与改进Criminisi算法的去云方法可有效修复云层遮挡区域,同时保留较为真实的地表信息,可用于农业遥感信息精细感知研究。

基于数学形态学的遥感图像条带噪声去除方法

遥感图像对于了解地球特征信息具有重要作用,噪声去除效果亟待加强,因此,设计基于数学形态学的遥感图像条带噪声去除方法。分析遥感图像条带噪声来源,设置遥感图像特征参数;基于数学形态学提取图像条带噪声的结构元素,提高数学形态学对图像处理的准确性;计算条带噪声信噪比,进一步提高条带噪声去除效果,进而实现遥感图像条带噪声的有效去除。实验结果表明:设计方法的噪声去除效果更佳,极具推广价值。

基于注意力特征融合的高保真遥感图像薄云去除

为改善非均匀薄云覆盖遥感图像薄云去除存在校正不足或颜色失真的问题,该文提出了一个融合注意力特征的高保真薄云去除端到端网络。首先,设计了注意力特征融合模块,该模块引入注意力机制以及融合模块,并通过3个注意力特征融合模块级联,使网络关注薄云覆盖区域的信息提取,减少无云部分的影响。同时,加入颜色损失函数和锐化损失函数以提高图像准确的颜色保真度和细节清晰度。通过实验结果表明,该方法的输出结果在视觉评估和定量评价指标(峰值信噪比和结构相似度)上均优于其他方法的结果。该网络对于多种场景下的非均匀薄云图像均有较好的去云效果,且输出的图像色彩效果真实、亮度过度平滑、细节轮廓清晰。

遥感图像云检测方法综述

光学遥感图像中云层会对地面信息进行不同程度的遮挡,造成了地表观测信息的模糊和缺失,极大地影响遥感图像的成像质量。因此,对遥感图像中云层覆盖的检测和评估是进一步分析和利用遥感图像信息的基础和关键。通过充分的调研和对比总结,梳理了20世纪90年代以来,国内外基于遥感图像的云检测方法的发展趋势和代表性工作。将基于遥感图像的云检测方法分为三类:基于光谱阈值的方法、基于经典机器学习的方法以及基于深度学习的方法。总结了当前国内外云检测公开数据集,并对比了部分代表性工作的云检测精度。此外,简要梳理了与云检测相关的云雾(霾)检测、云雪检测、云阴影检测以及云去除等方法。对当前云检测相关工作中存在的问题和未来的发展趋势进行了分析和展望。

高分遥感影像云雪共存区轻量云高精度检测方法

云检测是遥感图像预处理过程中的关键步骤,但是当场景的下垫面中存在雪时,常用的云检测方法易受到干扰而降低云检测精度。此外,现有云检测数据集多为中等分辨率,且并未强调探讨云雪共存区域。因此,本文创建发布了基于高分辨率云雪共存遥感影像的云检测数据集CloudS,并提出了一种面向高分辨率云雪共存场景的轻量云检测卷积神经网络RDC-Net。RDC-Net中包含可重构多尺度特征融合模块以用于多尺度云特征的提取;双重自适应特征融合模块以对有效云特征实现表征重建;可控深层梯度指导流模块进行网络梯度下降的无偏指导。受益于上述几个技术组件,该网络能进一步提升复杂区域云检测的稳健性并促进部署的轻量化。试验结果表明,本文方法对遥感影像中的薄云及雪域上空的云具有极佳的提取能力,同时对雪等高亮地物具有良好的抗干扰能力。此外,RDC-Net具有极少的参数量与前向推理浮点运算量,这也使得其适合于实际的工业生产部署。

基于空间分割的影像条带噪声去除方法

光学遥感卫星影像中包含系统条带噪声和随机条带噪声,由于多种因素的干扰,即使进行系统条带噪声去除后,仍残留部分随机条带噪声。文章通过分析现有卫星遥感影像中的随机条带噪声特性,基于常规的随机条带噪声去除方法,提出一种新的基于空间分割的条带噪声去除算法。该方法以影像的均值、中值以及梯度值构建判定准则,将影像分为动态范围变化较小的多个区域,同时将地物边缘单独提取出来予以保留;然后采用标准矩匹配的方法对单独区域进行处理,在剔除噪声的同时抑制灰度畸变的产生;最后采用中巴地球资源卫星04星(CBERS-04)数据作为试验对象进行了随机噪声去除试验,试验结果表明新方法在去除随机条带噪声的同时很好的保持了原始影像的纹理信息。

云计算与区块链平台的遥感影像安全检索方案

遥感影像外包到半可信的云平台进行存储和检索时,可能导致影像数据的泄露和返回不完整的检索结果。加密可以保护影像数据的安全,但无法保证云平台提供真实、完整的存储和检索服务。区块链技术能有效保证存储和检索服务的真实性和完整性,但区块链的计算和存储能力有限,如何实现遥感影像的安全存储和检索仍是一个具有挑战性的问题。该文提出一种结合云平台和区块链的遥感影像安全检索方法,将影像哈希等轻量级数据存储于区块链,云平台存储海量加密影像数据,确保云存储影像的真实性;区块链执行基于遥感影像属性的检索,在此基础上由云平台执行复杂度较高的基于内容的安全检索,保证了检索结果的完整性;利用区块链技术设计遥感影像检索交易机制。实验表明方案可以实现安全、真实、完整和高效的遥感影像检索,并构建一个双方信任的公平交易环境。

先验引导的多降质特征“珞珈一号”夜光遥感影像质量提升方法

珞珈一号夜光(NTL)遥感影像存在云雾、辉光、分辨率降低等多种复杂的降质现象,现有的深度学习影像质量提升网络往往只针对某一种类型的降质问题,且没有充分利用影像的先验信息,训练和学习过程的可解释性差,去除的降质类型单一。因此,针对含有多种复杂降质的影像质量提升问题,提出一种可解释性先验引导的多降质特征夜光影像质量提升方法。分析降质过程和降质表现,推导出了辉光、云雾噪声和空间分辨率下降的综合降质模型,并以该模型作为先验引导构建了云雾、辉光、分辨率3类数据集。在网络结构方面,针对3类降质设计了包含通道注意力模块和像素注意力模块的残差密连卷积神经网络,并用比值稀疏约束损失函数进一步提高影像的清晰度。利用珞珈一号夜光遥感影像进行了试验,结果表明,本文方法可有效去除云雾、辉光等的影响,处理后影像中的灯光边缘信息更加清晰,空间分辨率提高,影像质量提升明显。

基于全卷积网络的遥感影像噪声点云监测仿真

云检测作为当前遥感影像数据处理的主要手段,其在地球气候分析、自然灾害分析、国土资源利用等方面越来越重要。在目前众多云检测技术研究过程中,大都采用基于阈值等传统经典的分析方法来研究。但是方法存在依赖先验知识、同时受主观的影响比较大等缺点。基于此提出了基于全卷积神经网络的遥感影像噪声点云检测的分析方法。方法首先将全幅遥感影像进行分割,然后为了真实还原遥感影像数据引入干扰噪声,同时利用全卷积神经网络可自动提取深层隐含特征的网络特性,来保留整个遥感影像的特征信息,在云检测特征提取完成之后通过随机场模型完成对云图的平滑处理得等到更为准确的云图检测。最后通过采用风云气象卫星云图,完成对云图影像的数据分析,结果表明上述算法可很好的完成对云图遥感影像的数据分析,特别是针对边缘云图具备很好的应用前景。

福建省多源遥感影像云服务平台设计与实现

基于云计算、大数据、对象存储、免切片等技术,依托数字福建云计算中心政务云环境搭建多源遥感影像云服务平台。在分析用户需求和云平台研究现状的基础上,结合福建省陆海卫星遥感影像统筹业务需求,设计了平台总体架构、数据架构和功能模块,探讨了平台关键技术。平台构建了多源遥感影像自动识别、实时处理、动态发布、主动推送等一体化在线服务链路,实现了遥感影像数据“即收、即处、即发布”的一站式服务,对福建省卫星影像数据和遥感技术的应用和推广具有重要意义。

基于优化FGFCM方法的滑坡遥感影像自动提取

为实现滑坡遥感影像的自动提取,以贵州省水城县为研究区,运用GF-1遥感影像数据,剔除明显非滑坡地物后,应用云变换计算样本区影像像元亮度值,统计得到聚类中心值和聚类个数,结合快速广义模糊C-均值聚类算法进行像元聚类,提取出128处准确滑坡,kappa系数达0.752,总体精度达0.880。该方法可自动提取出滑坡范围,减少工作量和主观影响,提高了基于遥感影像进行滑坡识别的效率和精度。