高分辨率遥感图像云检测方法研究

摘要

随着遥感技术的迅速发展，高分辨率遥感图像已经得到广泛应用。针对云覆盖占据信道传输带宽的问题，为提高遥感图像数据传输的效率，本文研究并设计了一种基于高分辨率遥感图像的云检测方法。
　　本文将云检测问题转化为云和地物的二分类问题，主要由样本的特征属性空间构建、基于支持矢量机的分类器设计、云检测算法的实验验证和空间尺度分析四个部分组成。
　　样本特征空间的构建是云检测的基础，本文从物理成因、成像链路、纹理属性和分形几何等四个方面分析了云和地物属性，确定了提取云和地物的灰度均值、纹理特征和分形几何特征，并根据特征之间的弱相关性和云与地物的分类能力构建了特征属性空间。
　　将样本属性特征值和样本标识作为特征空间，基于支持矢量机设计了分类器。本文结合云与地物的分类能力和分类器的交叉验证结果，对样本进行了多次迭代，最终构造了高质量的样本空间，从根本上提升了云检测算法的性能。在分类器训练过程中，分析了样本数量对不同核函数性能的影响。
　　获取分类器后，利用遥感图像和地面实验对本文云检测算法进行了实验验证，分析了云检测算法的性能。实验结果表明，本文提出的云检测算法检测率高、虚警率低，对不同下垫面场景都具有良好的检测能力。
　　使用云检测的检测率指标评估遥感图像的不同空间分辨率对云检测算法的性能影响，并在此基础上，分析了本文云检测算法适用的遥感图像空间尺度范围。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外云检测研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．2．3 国内外云检测研究综述

1．3 云检测算法设计方案

1．4 本论文主要内容

第2章 遥感图像分析与特征提取

2．1 云的物理属性简介

2．2 成像链路分析

2．3 云与地物特征分析与提取方法

2．3．1 灰度特征分析

2．3．2 纹理属性分析

2．3．3 分形几何特性

2．3．4 云与地物特征关系

2．4 特征属性空间质量提升

2．4．1 特征数据的噪声与离群点

2．4．2 特征属性空间的维度规约

2．5 本章小结

第3章 基于支持矢量机的分类器设计

3．1 支持矢量机算法简介

3．1．1 线性可分SVM

3．1．2 软间隔 SVM

3．1．3 核函数SVM

3．2 基于SVM的分类器训练

3．3 样本数量对分类器性能的影响

3．4 本章小结

第4章 本文云检测算法的实验验证

4．1 当前云检测算法性能评价指标

4．2 遥感图像的实验验证

4．3 遥感图像云仿真的实验验证

4．4 地基图像云仿真的实验验证

4．5 空间尺度对本文云检测算法的影响分析

4．6 本章小结

结论

参考文献

致谢

作者简介