一种基于动态模式分解的交互式光学云检测方法技术

本发明专利技术公开了一种基于动态模式分解的交互式光学云检测方法，步骤如下：S1、获得由基于连续时间段内的N帧卫星云图经真彩色融合处理后得到的N帧真彩色合成图像合成得到的视频M；S2、构建DMD算法以对输入视频中的云进行检测；S3、对比首帧原始图像与云检测结果图，采用交互修改的方式在云检测结果图中补全漏检云；该基于动态模式分解的交互式光学云检测方法保留图像关键特征点的同时尽量减小观测数据规模，直接从卫星观测图像中提取云层特征进行云检测，降低了云检测精度，有效降低了使用门槛并提高了实用性。并提高了实用性。并提高了实用性。

【技术实现步骤摘要】
一种基于动态模式分解的交互式光学云检测方法


[0001]本专利技术涉及云检测
，特别涉及一种基于动态模式分解的交互式光学云检测方法。

技术介绍

[0002]随着卫星遥感技术的研究开发和新一代静止轨道卫星观测系统的升级，许多学者对遥感数据的研究与应用工作越来越全面，但由于气候因素的影响，使得遥感领域的研究受到了极大的干扰，遥感数据的研究性大幅度减少。其中，云层的遮挡就是影响因素之一。
[0003]因此，去除云层的遮挡不仅是为之后进行遥感图像领域的研究打下坚实的基础,也是增强卫星遥感数据有效性、切实性的重要途径之一。而云检测作为云层去除的重要前处理步骤之一，其检测结果的准确性和完整性关系到之后的遥感图像研究结果。同时，由于云自身的多变性和卫星观测图像的复杂性，使得研究高效性和低成本的云检测方法具有十分重要的意义。
[0004]近年来，随着遥感卫星性能的大幅度提升，以光学遥感图像为研究基础的云检测方法大量涌现。可将其大致分为三类。第一类是通过分析云的纹理结构和调节阈值的传统遥感图像检测方法；第二类是通过研究云的物理属性进行手工设计特征的统计学检测方法；第三类是基于卷积神经网络的深度学习检测方法。
[0005]其中，第一类云检测方法对卫星观测数据的质量有较高的要求，且基本上都是通过增强卫星云图中云层的细节来提升云检测的性能，没有对云的运动特性进行考虑；第二类云检测方法需要研究学者研究云的物理属性，基于研究成果和研究者本身的研究经验进行手工设计云检测网络结构，其过程复杂性高，且对计算设备性能有一定的要求，存在检测成本高的问题；最后一类检测方法在检测效率和检测精度较前两种检测方法都有一定的提升，但是很难保证在提升检测效率的同时提升检测精度，或者提升很低，且没有考虑添加对检测结果进行修正的操作。如何解决这些问题对于云检测具有关键意义。

技术实现思路

[0006]本专利技术的目的是提供一种简单而有效的基于动态模式分解的交互式光学云检测方法。
[0007]为此，本专利技术技术方案如下：
[0008]一种基于动态模式分解的交互式光学云检测方法，步骤如下：
[0009]S1、获得用于构建云检测模型的指导数据，其为由基于连续时间段内的N帧卫星云图经真彩色融合处理后得到的N帧真彩色合成图像，进而合成得到的视频M：
[0010]S2、构建DMD算法以对输入视频中的云进行检测；
[0011]S201、将由步骤S1得到的卫星云图视频M从M1到M
N
拉长成时间间隔为Δ
t
的N帧均匀
的采样数据，得到时间序列数据矩阵其表达式为：
[0012]S202、对数据矩阵X1进行灰度化处理，得到r行、c列的首帧灰度图像矩阵；将首帧灰度图像矩阵重构为r
×
c行、1列的新矩阵，并分别赋值给矩阵X1和矩阵X；
[0013]S203、对数据矩阵X2进行灰度化处理，得到r行、c列的第2帧灰度图像矩阵；将第2帧灰度图像矩阵重构为r
×
c行、1列的新矩阵，并赋值给矩阵Y2；将矩阵X1与矩阵Y2进行重构，以更新矩阵X1为：X1＝[X
1 Y2]；将矩阵X与矩阵Y2进行重构，以更新矩阵X为：X＝[X Y2]；
[0014]S204、对数据矩阵X3至数据矩阵X
N
‑1进行与步骤S203相同的处理，以实现不断更新矩阵X1和矩阵X；最终，矩阵X1更新为：X1＝[X
1 Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
‑1]，矩阵X更新为：X＝[X Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
‑1]；
[0015]S205、对数据矩阵X
N
进行灰度化处理，得到r行、c列的最后帧灰度图像矩阵；将最后帧灰度图像矩阵重构为r
×
c行、1列的新矩阵，并赋值给矩阵Y
N
；将经过步骤S204得到矩阵X1的第一列元素删除，构建得到矩阵X2，即：X2＝[Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
‑1]；将矩阵X2和矩阵Y
N
进行重构，更新矩阵X2为：X2＝[Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
]；将步骤S204得到的矩阵X1与矩阵Y
N
进行重构，更新矩阵X1为：X1＝[X
1 Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
]；将步骤S204得到的矩阵X与矩阵Y
N
进行重构，更新矩阵X为：X＝[X Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
]；
[0016]S206、将由步骤S205得到的矩阵X1代入公式为：X1＝USV
*
进行奇异值分解，以求取矩阵S的秩r；式中，V
*
表示矩阵V的转置；基于矩阵S的秩r的结果，将矩阵U中第1～r列的全部元素构建为新的矩阵，并重新赋值给矩阵U；将矩阵S中第1～r列的全部元素构建为新的矩阵，并重新赋值给矩阵S；将矩阵V中第1～r列的全部元素构建为新的矩阵，并重新赋值给矩阵V；
[0017]S207、将经过步骤S207重新赋值后的矩阵V转置后赋值给矩阵V
star
，将经过步骤S207重新赋值后的矩阵U转置后赋值给矩阵U
star
，将经过步骤S207重新赋值后的矩阵S求逆后赋值给矩阵S
star
；进而，结合步骤S205得到的矩阵X2，求得满足X
N
＝A
×
X
N
‑1的近似矩阵A的相似矩阵Fdmd：F
dmd
＝U
×
X2×
V
×
S，以及相似矩阵F
dmd
特征值的对角矩阵Ddmd和特征向量矩阵Ydmd；继而，通过公式：faii＝U
×
Ydmd，求得矩阵faii；
[0018]S208、将矩阵F
dmd
的行数赋值给afdmd，将矩阵F
dmd
的列数赋值给bfdmd，将矩阵V
star
的列数赋值给N
n
，构建一个行数
×
列数为afdmd
×
N
n
的空矩阵Vand，以及一个包含对角矩阵Ddmd主对角线上向量元素的矩阵Edmd；
[0019]S209、将矩阵Edmd的元素进行零次幂运算后赋值至矩阵Vand的第一列，将矩阵Edmd的元素进行一次幂运算后赋值至矩阵Vand的第二列；将矩阵Edmd的元素进行二次幂运算后赋值至矩阵Vand的第三列；继续重复上述操作，直到将矩阵Edmd的元素进行N
n
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态模式分解的交互式光学云检测方法，其特征在于，步骤如下：S1、获得用于构建云检测模型的指导数据，其为由基于连续时间段内的N帧卫星云图经真彩色融合处理后得到的N帧真彩色合成图像，进而合成得到的视频M：S2、构建DMD算法以对输入视频中的云进行检测；S201、将由步骤S1得到的卫星云图视频M从M1到M
N
拉长成时间间隔为Δ
t
的N帧均匀的采样数据，得到时间序列数据矩阵其表达式为：S202、对数据矩阵X1进行灰度化处理，得到r行、c列的首帧灰度图像矩阵；将首帧灰度图像矩阵重构为r
×
c行、1列的新矩阵，并分别赋值给矩阵X1和矩阵X；S203、对数据矩阵X2进行灰度化处理，得到r行、c列的第2帧灰度图像矩阵；将第2帧灰度图像矩阵重构为r
×
c行、1列的新矩阵，并赋值给矩阵Y2；将矩阵X1与矩阵Y2进行重构，以更新矩阵X1为：X1＝[X
1 Y2]；将矩阵X与矩阵Y2进行重构，以更新矩阵X为：X＝[X Y2]；S204、对数据矩阵X3至数据矩阵X
N
‑1进行与步骤S203相同的处理，以实现不断更新矩阵X1和矩阵X；最终，矩阵X1更新为：X1＝[X
1 Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
‑1]，矩阵X更新为：X＝[X Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
‑1]；S205、对数据矩阵X
N
进行灰度化处理，得到r行、c列的最后帧灰度图像矩阵；将最后帧灰度图像矩阵重构为r
×
c行、1列的新矩阵，并赋值给矩阵Y
N
；将经过步骤S204得到矩阵X1的第一列元素删除，构建得到矩阵X2，即：X2＝[Y2Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
‑1]；将矩阵X2和矩阵Y
N
进行重构，更新矩阵X2为：X2＝[Y
2 Y
3 Y4Y5ꢀ…ꢀ
Y
N
]；将步骤S204得到的矩阵X1与矩阵Y
N
进行重构，更新矩阵X1为：X1＝[X
1 Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
]；将步骤S204得到的矩阵X与矩阵Y
N
进行重构，更新矩阵X为：X＝[X Y
2 Y
3 Y
4 Y5ꢀ…ꢀ
Y
N
]；S206、将由步骤S205得到的矩阵X1代入公式为：X1＝USV
*
进行奇异值分解，以求取矩阵S的秩r；式中，V
*
表示矩阵V的转置；基于矩阵S的秩r的结果，将矩阵U中第1～r列的全部元素构建为新的矩阵，并重新赋值给矩阵U；将矩阵S中第1～r列的全部元素构建为新的矩阵，并重新赋值给矩阵S；将矩阵V中第1～r列的全部元素构建为新的矩阵，并重新赋值给矩阵V；S207、将经过步骤S206重新赋值后的矩阵V转置后赋值给矩阵V
star
，将经过步骤S206重新赋值后的矩阵U转置后赋值给矩阵U
star
，将经过步骤S206重新赋值后的矩阵S求逆后赋值给矩阵S
star
；进而，结合步骤S205得到的矩阵X2，求得满足X
N
＝A
×
X
N
‑1的近似矩阵A的相似矩阵Fdmd：F
dmd
＝U
×
X2×
V
×
S，以及相似矩阵F
dmd
特征值的对角矩阵Ddmd和特征向量矩阵Ydmd；继而，通过公式：faii＝U
×
Ydmd，求得矩阵faii；S208、将矩阵F
dmd
的行数赋值给afdmd，将矩阵F
dmd
的列数赋值给bfdmd，将矩阵V
star
的列数赋值给N
n
，构建一个行数
×
列数为afdmd
×
N
n
的空矩阵Vand，以及一个包含对角矩阵Ddmd主对角线上向量元素的矩阵Edmd；S209、将矩阵Edmd的元素进行零次幂运算后赋值至矩阵Vand的第一列，将矩阵Edmd的元素进行一次幂运算后赋值至矩阵Vand的第二列；将矩阵Edmd的元素进行二次幂运算后赋值至矩阵Vand的第三列；继续重复上述操作，直到将矩阵Edmd的元素进行N
n
次幂运算后赋值至矩阵Vand的第N
n
列，完成矩阵Vand的元素赋值；S210、将矩阵Ydmd赋值给矩阵L，将矩阵Vand赋值给R；S211、将矩阵L和矩阵R代入公式：P＝(L
’×
L)
×
conj.(R
’×
R)中，求得矩阵P；式中，L
’
表示对矩阵L求逆，R
’
表示对矩阵R求逆，conj.(
·
)表示对矩阵(
·
)中每个元素进行复共轭；S212、通过公式：q＝conj.(diag(R

【专利技术属性】
技术研发人员：杨璐，李毅龙，陈聪，毕重科，邱晓滨，李云龙，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：