可见光遥感图像云自动检测方法研究

摘要

遥感图像是探测地物目标综合信息最直观、最丰富的载体，由于天气因素影响，遥感图像中经常有区域被云层覆盖，导致无法获得云层下面地表信息，很大程度上降低了数据利用率，使得图像识别、分类难以保证精度，有时甚至无法进行。因此实时有效的进行云层检测，剔除云覆盖率过大的图像，对于缓解海量遥感图像数据的数传、处理和存储压力，提高数据利用率有着非常重要的意义。
　　 传统的可见光遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判，准确度较低。本文立足实际应用需求，针对海量实际可见光遥感图像数据，采用基于子图的遥感图像云判别方法，将整景图像划分为多个子图，将云检测问题转化为子图分类问题，围绕有效特征提取方法和快速高准确度子图分类算法开展研究，提出了对于目前方法难以区分的云子图和地物子图具有较高区分度的有效特征提取方法和快速准确的可见光遥感图像云图分类方法。
　　 本文主要研究内容和创新成果如下:
　　 (1)提出了对于云和地物具有较高区分度的有效特征提取方法。由于云和地物的多样性，传统云检测方法在处理山地、雪地、暗云等场景时极易造成错判，准确率较低。本文深入研究了遥感图像中云和地物的不同特点，发现其具有较大的边缘差异性，为了有效描述这种差异，本文对子图进行线性拉伸以扩大其灰度范围，并提出了边缘最大值、平均值、方向最大值、方向标准差四个边缘特征，有效描述了边缘的幅度和方向特性。实验结果表明，本文所提特征具有区分能力强、计算复杂度低的特点。
　　 (2)提出一种基于ISODATA聚类和二次修正的云检测算法。利用ISODATA聚类法对子图进行云和地物判别的同时能够获取其所属子类类别，具有较大现实意义。本文提出一种较完备训练集的获取方法，并针对直接使用ISODATA聚类法判别准确率较低的问题，提出了一种有效的修正方法，大大降低了虚警率，提高了判别正确率。
　　 (3)提出一种基于AdaBoost分类和二次修正的云检测算法，联合灰度特征和本文提出的边缘特征并使用AdaBoost分类器进行判别，对于易错判情况，本文也提出了修正算法，本算法取得了极高的正确率，并具备较低的时间复杂度，能够满足实际应用需求。
　　 (4)开发了可见光遥感图像云判别平台。平台基于上述研究成果搭建，界面友好、操作便捷、功能强大，能够方便的进行云判结果查看与测试。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究概况

1．2．1 国外研究概况

1．2．2 国内研究概况

1．3 发展趋势

1．4 本论文的主要工作内容

1．5 本论文的组织结构

第2章 遥感云图有效特征提取方法

2．1 可见光遥感图像云检测整体流程

2．2 可见光遥感云图特征提取

2．2．1 目前云检测方法常用特征

2．2．2 遥感云图边缘特征提取

2．3 本章小结

第3章 基于ISODATA聚类的云检测算法

3．1 概述

3．2 ISODATA聚类算法

3．3 算法整体流程

3．4 训练集选择与优化

3．5 ISODATA判别结果修正

3．6 实验结果与分析

3．6．1 实验平台

3．6．2 实验数据

3．6．3 实验参数

3．6．4 实验分析

3．7 小结

第4章 基于AdaBoost分类的云检测算法

4．1 概述

4．2 AdaBoost算法

4．3 算法整体流程

4．4 算法优化与改进

4．5 实验结果与分析

4．5．1 实验参数

4．5．2 实验分析

4．6 小结

第5章 可见光遥感图像云判定平台

5．1 概述

5．2 平台方案设计

5．2．1 配置文件

5．2．2 云图判别

5．2．3 用户界面

5．3 平台功能介绍

5．4 平台使用方法

5．5 小结

第6章 总结与展望

6．1 论文工作总结

6．2 未来工作展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果