【技术实现步骤摘要】
本专利技术属于智能遥感卫星在轨处理的，具体涉及一种智能遥感卫星在轨近实时云检测方法。
技术介绍
1、地球表面大部分区域长期处于云雾覆盖的状态下，这给遥感卫星对地观测造成了极大的困扰。由于云雾遮挡，卫星难以高效地获取处理所需要采集的地区的图像。为此，国内外学者研究了大量的云检测算法，并且取得了良好的效果。通过云检测算法判别遥感影像的云覆盖率，并且对其进行针对性的处理。
2、但是，目前大部分云检测算法都是事后处理，即获取数据之后在地面服务器上进行运行。然而，现阶段遥感卫星逐渐向智能遥感卫星方向发展，逐渐实现星上拍摄、星上处理、星上下传的模式。与地面处理不同，星上处理会受到存储、计算等资源的限制，需要充分考虑受限环境下的算法设计。
3、除此之外，星上处理中云检测是极其重要的环节。星上处理是在存储、计算等资源受限环境下工作，高效处理成为迫切的需求。通过云检测过滤无效数据，将有云与无云区域进行区分，引导后续处理能够极大提升处理效率，具备重要的意义。星上在轨云检测已经成为整个系统中重要的环节。因此，如何适应星上处理存储、计算资源受限的环境与对星上云检测的需求是目前需要急需解决的问题。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供一种智能遥感卫星在轨近实时云检测方法，该方法适应了星上处理存储、计算资源受限的环境与对星上云检测的需求，为后续星上处理提供基础引导，整体提升星上处理时效。
2、为解决上述技术问题，本专利技术采用如下技术方案：p>
3、一种智能遥感卫星在轨近实时云检测方法，包括如下步骤：
4、步骤1、获取星上实时拍摄的图像数据并对获取的图像数据进行预处理；
5、步骤2、依据设定的超像素个数对预处理后的图像上进行格网划分从而得到初始划分的多个超像素块；
6、步骤3、对初始划分的每个超像素块重新计算其聚类中心，并通过像素聚类对每个超像素块中像素点重新聚类，形成新的超像素块；
7、步骤4、对步骤3中得到的超像素块计算新的聚类中心并计算残差量；
8、步骤5、重复步骤3-4，当达到迭代次数或者计算的残差量小于设定的阈值，则跳出循环，得到最终的超像素分割结果，在得到超像素分割结果之后，判断各超像素是否为云。
9、进一步地，步骤1中预处理包括将图像数据从rgb空间转换至lab空间。
10、进一步地，从rgb空间转换至lab空间的方法为：
11、首先，对图像数据进行归一化操作，得到：
12、
13、
14、
15、式中，r、g、b分别代表归一化后的值，r、g、b分别代表原始值，dnmax表示dn值的灰度范围；
16、而后进行gamma变换：
17、
18、式中，t表示r、g、b；
19、之后进行线性变换到xyz空间：
20、x＝0.412453*r+0.357580*g+0.180423*b
21、y＝0.212671*r+0.715160*g+0.072169*b
22、z＝0.019334*r+0.119193*g+0.950227*b
23、再对xyz通过白色参考点进行归一化操作，得到：
24、x＝x/0.95047
25、y＝y/1.0
26、z＝z/1.08883
27、而后进行非线性变换：
28、
29、式中，t代表x、y、z；
30、最后进行线性变换，转换值lab空间：
31、l＝116*y-16
32、a＝500*(z-y)
33、b＝200*(y-z)
34、式中，l为亮度分量，a表示颜色的红绿色度，b表示颜色的黄蓝色度；
35、至此即可将图像数据从rgb空间转换值lab空间。
36、进一步地，步骤2中，在初始划分时，以每个格网的中心作为种子点，并且统计各种子点的均值mean与标准差std作为各个超像素块的初始属性。
37、进一步地，均值计算如下：
38、
39、标准差计算如下：
40、
41、式中，n表示每个超像素块中的像素个数，dnn表示第n个像素的像元亮度值。
42、进一步地，步骤3具体包括：
43、在每个超像素块中选择梯度最低的点作为新的聚类中心，并将各个像素点聚合到新的聚类中心周围，为每个像素点分配新的标签，其中，标签分配方法为：计算每个像素点到2s×2s领域范围内各种子点的距离，并将每个像素点的标签设置为距离其最近种子点的标签；
44、将标签相同的像素进行聚类，形成新的超像素块。
45、进一步地，其中，梯度计算方法如下所示：
46、
47、式中，m表示行方向像素个数，n表示列方向像素个数，f(i，j)表示第(i，j)个像素的亮度值。
48、进一步地，每个像素点到种子点的距离采用灰度与空间距离，计算方法为：
49、
50、
51、
52、式中，dc表示灰度距离，ds表示空间距离，d表示最终的距离度量，dn是灰度值，(x，y)是像素点的空间位置，j是待归类的像素点，i是种子点，m是常数，本文设为10，s是超像素大小。
53、进一步地，步骤4中计算新的超像素块中每个点到某个点距离的之和，选择到每个点距离之和最短的点作为新的聚类中心。
54、进一步地，步骤5中的判断方法为：
55、计算各超像素的均值与方差，并通过对目标载荷特性的统计分析，得到云层区域的均值与方差，将各超像素的均值和方差与云层区域的均值和方差对应比较，当超像素的均值和方差在云层区域的均值和方差范围内，则判断该超像素为云；
56、对于云层边界区域的薄云，以初步筛选的云层超像素作为种子点进行区域增长，判断作为种子点的邻接超像素的灰度均值是否大于阈值，若大于阈值则认为是云层，对区域增长的过程进行循环，直至没有新的云层加入，从而恢复云层边界的薄云区域；
57、云层区域增长结束之后，再对云层区域进行膨胀处理，以云层区域的单个像素点为种子点，判断种子点邻域的点是否为云层，若是非云层，则将其判别为云，并且作为下一层膨胀的种子点，经过多轮迭代得到最终的处理结果。
58、与现有技术相比，本专利技术的有益效果为：本专利技术通过接收星上实时获取的卫星数据并在星上对其进行预处理，无需落盘储存，再对预处理图像进行不断的聚类、精化聚类得到符合要求的超像素分割结果，而后通过云区域均值高、方差底的特点将超像素分割结果与云层进行比较，判断各超像素是否为云，适应了星上处理存储、计算资源受限的环境与对星上云检测的需求，为后续星上处理提供基础引导，整体提升星上处理时效。
本文档来自技高网...【技术保护点】
1.一种智能遥感卫星在轨近实时云检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的智能遥感卫星在轨近实时云检测方法，其特征在于，步骤1中预处理包括将图像数据从RGB空间转换至Lab空间。
3.根据权利要求2所述的智能遥感卫星在轨近实时云检测方法，从RGB空间转换至Lab空间的方法为：
4.根据权利要求1所述的智能遥感卫星在轨近实时云检测方法，其特征在于，步骤2中，在初始划分时，以每个格网的中心作为种子点，并且统计各种子点的均值mean与标准差std作为各个超像素块的初始属性。
5.根据权利要求4所述的智能遥感卫星在轨近实时云检测方法，其特征在于，均值计算如下：
6.根据权利要求4所述的智能遥感卫星在轨近实时云检测方法，其特征在于，步骤3具体包括：
7.根据权利要求6所述的智能遥感卫星在轨近实时云检测方法，其特征在于，其中，梯度计算方法如下所示：
8.根据权利要求6所述的智能遥感卫星在轨近实时云检测方法，其特征在于，每个像素点到种子点的距离采用灰度与空间距离，计算方法为：
9
10.根据权利要求1所述的智能遥感卫星在轨近实时云检测方法，其特征在于，步骤5中的判断方法为：
...【技术特征摘要】
1.一种智能遥感卫星在轨近实时云检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的智能遥感卫星在轨近实时云检测方法，其特征在于，步骤1中预处理包括将图像数据从rgb空间转换至lab空间。
3.根据权利要求2所述的智能遥感卫星在轨近实时云检测方法，从rgb空间转换至lab空间的方法为：
4.根据权利要求1所述的智能遥感卫星在轨近实时云检测方法，其特征在于，步骤2中，在初始划分时，以每个格网的中心作为种子点，并且统计各种子点的均值mean与标准差std作为各个超像素块的初始属性。
5.根据权利要求4所述的智能遥感卫星在轨近实时云检测方法，其特征在于，均值计算如下：
...
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。