System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及遥感影像云体对象检测,尤其涉及一种顾及云信息表征指数与几何形态特征的遥感云检测方法。
技术介绍
1、随着高分专项系列卫星的成功发射,我国进入遥感大数据时代,遥感影像的质量和数量急剧提升。然而西南山地位于亚热带湿润气候区,降水多、湿度大、水汽足,受地形影响湿气大量聚集于盆地或谷地上空,且山脉阻挡,难以与外界空气对流,导致西南山区的高分辨率遥感影像往往较多云团。由于云对地物信息的遮挡,使得高分辨率遥感影像中有云区域无法获取地面目标的正确信息,直接或者间接抑制遥感影像模式识别地物分类、地表遥感参量反演、地物变化检测、时间序列动态变化分析等。在实际应用中,采集的影像首先需要质量检查,其中云覆盖量是一个重要质量指标,因此快速识别云并进行云量统计可支持原始影像的质量检查工作。另外在影像生产过程中,云团覆盖区域的影像需要补采,通过先识别云团,然后抠除有云影像,并对抠除区域进行影像补采,利用采集的无云影像进行填补,最终形成可用的无云影像。因此,高分辨率遥感影像的云检测,是遥感数据处理的重要步骤之一。
2、目前云检测方法主要分为三类:阈值法、统计学习法、深度学习法。阈值法因其原理简单、运算速度快,因而得到了广泛的应用,是目前遥感图像云检测众多方法中应用最多的。但是最适阈值的确定是一大难点,另外阈值法基于像素分割云,忽略了云团的几何形态等特性。基于统计学习的云检测方法,是通过样本数据,利用朴素贝叶斯、支持向量机等模式识别算法实现云检测,然而该方法需要先设计有效的云信息特征,再监督分类,实现过程较为复杂、效率较低。深度学习是
3、由此可见,现有的云检测方法存在实现过程复杂,并且检测效率和效果不佳的问题。
技术实现思路
1、针对现有技术的不足,本专利技术的目的是提供一种顾及云信息表征指数与几何形态特征的遥感云检测方法,以解决现有技术中的云检测方法存在实现过程复杂,并且检测效率和效果不佳的问题。
2、本专利技术提供了一种顾及云信息表征指数与几何形态特征的遥感云检测方法,包括如下步骤:
3、步骤1,基于高分辨率遥感影像获取的雾度优化变换指数、纹理对比度和canny梯度设计云信息表征指数,其中所述雾度优化变换指数、纹理对比度和canny梯度均归一化拉伸;
4、步骤2,采用otsu算法对所述云信息表征指数进行自适应阈值分割,得到包括背景和云体目标的二值图像;
5、步骤3,利用几何特征过滤所述二值图像中的非云对象和提纯云体;
6、步骤4,设计形态学滤云算子dmco,采用形态学滤波对所述二值图像进行再次过滤,进一步提纯得到云体二值图像;
7、步骤5,对所述云体二值图像进行形态学闭运算、填充空洞,输出二值栅格图,并将所述二值栅格图转换为矢量,删除背景,得到云检测矢量结果。
8、可选地,所述基于高分辨率遥感影像获取的雾度优化变换指数、纹理对比度和canny梯度设计云信息表征指数,包括:
9、所述云信息表征指数设计公式为:
10、cri=hot-con-g
11、其中,所述cri为所述云信息表征指数,所述hot为雾度优化变换指数,con为纹理对比度,g为canny梯度。
12、可选地,所述采用otsu算法对所述云信息表征指数进行自适应阈值分割,包括如下步骤:
13、计算所述云信息表征指数中云和背景的总类间方差g,计算式为:
14、g=w0*(u0-u)2+w1*(u1-u)2
15、其中,设初始化分割阈值为t,w0为云像素数占图像比例,u0为平均灰度,w1为背景像素数占图像比例,u1为平均灰度,u为图像的总平均灰度,u=w0*u0+w1*u1;
16、通过对总类间方差g迭代运算,找出使得类间方差g最大的分割阈值,设为tmax,将所述最大的分割阈值tmax设为最适阈值,根据所述最适阈值分割出二值图像。
17、可选地,所述几何特征,包括:
18、所述几何特征至少包括所述二值图像中图斑的面积、紧致度和长宽比,灰度图像的直线、直角特征。
19、可选地,所述图斑的面积、紧致度和长宽比,灰度图像的直线和直角特征,包括:
20、所述图斑的面积设为a,a<100平方米,所述图斑的长宽比设为b,b>50,所述图斑的紧致度设为c,c<0.0001,所述图斑的长宽比b的计算式为:
21、
22、其中,length和width分别为图斑最小外接矩形的长度和宽度,所述图斑的紧致度c的计算式为:
23、
24、其中,area和perimeter分别为该图斑的面积和周长。
25、由于建筑、道路等人工地物具有明显的直线、直角等几何特征,可通过提取灰度图像的直线、直角特征,过滤掉人工地物等非云对象,所述直线、直角特征提取过程为:
26、lsd直线检测算法先对灰度图像进行高斯降采样,然后对图像局部边界计算其灰度梯度gradient和level-line,其中图像灰度梯度是在2×2的模板上按照下式计算:
27、
28、而level-line的角度则根据上式计算得来:
29、
30、其中i(x,y)是灰度图像上像素点x,y处的灰度值,gx(x,y)为x方向上的梯度值,gy(x,y)为y方向上梯度值,g(x,y)则为像素点(x,y)处的灰度梯度幅度。
31、再根据像素梯度值进行排序和直线区域增长,以及通过计算虚警数指数进一步确定目标区域拟合的矩形,进而得到目标图像中直线,进一步通过直线间的距离和角度关系提取出直角。
32、可选地,所述设计形态学滤云算子dmco,采用形态学滤波对所述二值图像进行再次过滤,进一步提纯得到云体二值图像,包括:
33、基于所述高分辨率遥感影像,取波段间均值,得到单波段灰度图像,并利用设计的形态学滤云算子dmco算子处理所述灰度图像,提取出所述二值图像中的非云对象,然后删除所述二值图像中与非云对象的图斑相交的图斑。
34、可选地,所述设计形态学滤云算子dmco,采用形态学滤波对所述二值图像进行再次过滤,进一步提纯得到云体二值图像,还包括:
35、所述形态学滤云算子dmco在处理所述灰度图像后,通过设定阈值et=0,提取出dmco>et的非云对象,所述dmco的计算式如下:
36、
37、dn和sn分别表示结构元素的方向个数和尺寸个数,表示本文档来自技高网...
【技术保护点】
1.一种顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述基于高分辨率遥感影像获取的雾度优化变换指数、纹理对比度和Canny梯度设计云信息表征指数,包括:
3.根据权利要求2所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述采用Otsu算法对所述云信息表征指数进行自适应阈值分割,包括如下步骤:
4.根据权利要求3所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述几何特征,包括:
5.根据权利要求4所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述图斑的面积、紧致度及长宽比,灰度图像的直线、直角特征,包括:
6.根据权利要求1所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述设计形态学滤云算子DMCO,采用形态学滤波对所述二值图像进行再次过滤,进一步提纯得到云体二值图像,包括:
7.根据权利要求6所述的顾及云
8.根据权利要求1所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述形态学闭运算,包括:
...【技术特征摘要】
1.一种顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述基于高分辨率遥感影像获取的雾度优化变换指数、纹理对比度和canny梯度设计云信息表征指数,包括:
3.根据权利要求2所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述采用otsu算法对所述云信息表征指数进行自适应阈值分割,包括如下步骤:
4.根据权利要求3所述的顾及云信息表征指数与几何形态特征的遥感云检测方法,其特征在于,所述几何特征,包括:
5.根据权利要求4所述的顾及云信息表征指数与几何形态...
【专利技术属性】
技术研发人员:李朋龙,张滔,丁忆,罗鼎,张灿,马泽忠,张孝成,敖影,文力,魏文杰,刘亦凡,陈静,李政,郑中,雷小虎,
申请(专利权)人:重庆市地理信息和遥感应用中心重庆市测绘产品质量检验测试中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。