高光谱卫星影像中的云量检测方法和装置制造方法及图纸

本公开提供了高光谱卫星影像的云量检测方法和装置。所述方法包括：获取待检测的高光谱卫星影像，确定所述高光谱卫星影像的下垫面类型；根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型，将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像；根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，生成云掩膜数据。以此方式，能够降低人工质检的工作量和质检效率，提高高光谱卫星影像数据信息的有效性和数据性，同时提高高光谱卫星影像中的云量检测的准确度。像中的云量检测的准确度。像中的云量检测的准确度。

【技术实现步骤摘要】
高光谱卫星影像中的云量检测方法和装置


[0001]本公开的实施例一般涉及卫星图像处理
，并且更具体地，涉及高光谱卫星影像中的云量检测方法和装置。

技术介绍

[0002]高光谱卫星影像是用很窄而连续的光谱通道对地物持续遥感成像得到的卫星影像。在可见光到短波红外谱段其光谱分辨率高达纳米(nm)数量级，通常具有谱段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，因此高光谱遥感又通常被称为成像光谱遥感。
[0003]高光谱分辨率遥感在电磁波谱的可见光、近红外、中红外和热红外谱段范围内，获取许多非常窄的光谱连续的影像数据的技术。其成像光谱仪可以收集到上百个非常窄的光谱谱段信息。
[0004]相对于传统的低光谱分辨率的遥感技术相比，高光谱遥感在对地观测和环境调查中提供了更为广泛的应用，主要有以下优点：地物的分辨识别能力大大提高和成像通道大大增加。
[0005]由于高光谱卫星影像中存在大量的云，高光谱卫星影像中的云起着不同的作用，因此在进行分析应用前，对高光谱卫星影像进行含云量检测十分必要。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱卫星影像中的云量检测方法，其特征在于，包括：获取待检测的高光谱卫星影像，确定所述高光谱卫星影像的下垫面类型；根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型，将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像；根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，生成云掩膜数据。2.根据权利要求1所述的高光谱卫星影像中的云量检测方法，其特征在于，所述将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像，包括：将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中，生成每个波段对应的云概率图像，所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。3.根据权利要求2所述的高光谱卫星影像中的云量检测方法，其特征在于，所述根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，包括：将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点，生成每个波段对应的第一云覆盖区域，其中，不同波段对应的云概率图像设置有不同的预设阈值。4.根据权利要求2所述的高光谱卫星影像中的云量检测方法，其特征在于，所述将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像，包括：云识别神经网络模型将每个波段对应的云概率图像输入到预先训练的云概率神经网络模型，输出所述高光谱卫星影像的云概率图像。5.根据权利要求1所述的高光谱卫星影像中的云量检测方法，其特征在于，所述云识别神经网络模型通过以下方式训练得到：以标注云覆盖区域的高光谱卫星影像作为训练样本，根据训练样本中的云覆盖区域对应的下垫面类型将训练样本划分为多个类，将每一类的训练样本作为一个卷积神经网络模型的输入，其中，所述云覆盖区域包括厚云覆盖区域和薄云覆盖区域；分别对所述的每一类训练样本进行学习，输出云概率图像，确定云覆盖区域；将所...

【专利技术属性】
技术研发人员：随欣欣，谭海，徐航，周晓青，梁雪莹，
申请(专利权)人：自然资源部国土卫星遥感应用中心，
类型：发明
国别省市：