基于显著性分析和多纹理特征的遥感影像云检测

基于显著性分析和多纹理特征的遥感影像云检测

论文摘要

随着对地观测技术的蓬勃发展,通过遥感手段获取的海量信息能够广泛应用于农业调查、环境保护、防灾减灾、导航定位、地理测绘、军事侦察等领域中,为地理国情普查工作、国土资源工程建设等重要战略实施提供了决策依据和信息保障。但并非所有的卫星影像都能满足实际生产的需求,其中最主要的一个原因就是云层覆盖,根据国际卫星云气候计划提供的数据显示,云覆盖了地球表面60%以上的区域。遥感传感器在成像过程中难免会受到云层的干扰,导致部分信息缺失,改变了影像的纹理和光谱信息,给遥感影像产品制作过程中造成诸多不利,降低了图像的利用率,因此遥感影像云检测工作已成为遥感图像处理过程中需首要解决的问题。近年来,国内外众多学者对遥感影像云检测进行了深入的研究,提出了各种云检测算法。其中大部分算法都是针对于高光谱影像的,并且有些算法还需要借助于DEM数据、气象资料等辅助信息。由此可见,对于波段数目较少、光谱信息和辅助数据不丰富的高分辨率影像,用目前的方法难以获得理想的检测结果。基于上述背景和国内外研究现状,确定了本文的研究内容,即探寻一种使用较少的波段信息实现云检测的方法。具体地,在RGB三波段空间中提出一种基于显著性分析和多纹理特征的遥感影像云检测方法,其主要研究内容如下:(1)分析云层形成的原因、云的类型,以及云的辐射特征、几何特征和频率特征,为后续研究奠定基础。(2)根据云层表现出的光谱特征,提出一种改进的Itti显著性模型,构建含云影像的显著性图像,并基于此实现云层粗检测。(3)研究云层和下垫面样本的各类纹理特征,包括分形维数、灰度共生矩阵、Tamura纹理特征、LBP纹理,基于可分离度选择能将二者较好区分的特征分量,并利用主成分分析法实现特征压缩,最后使用支持向量机训练云和下垫面样本,获得SVM分类器实现云层的提取。本文提出的算法综合考虑了云层的灰度特性和纹理特征,能够利用较少波段信息有效快速的实现遥感影像云检测。实验表明,该算法具有较高的查全率和查准率,构建的显著性图像可以突显出图像上的云目标,所选的纹理特征能较好的实现云地分离。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  •   1.1 研究目的及意义
  •   1.2 国内外研究现状
  •   1.3 论文主要研究内容及结构
  •     1.3.1 论文研究内容和技术路线
  •     1.3.2 论文的结构
  • 第2章 遥感影像中云特征分析
  •   2.1 云的成因及分类
  •   2.2 遥感影像上云的特征
  •     2.2.1 云的辐射特征
  •     2.2.2 云的几何特征
  •     2.2.3 云的频率特征
  •   2.3 本章小结
  • 第3章 遥感影像云层显著性分析
  •   3.1 云层的光谱特征
  •     3.1.1 灰度直方图
  •     3.1.2 HSI色彩特征
  •   3.2 改进的Itti显著性图像构建
  •     3.2.1 强度显著性图
  •     3.2.2 方向显著性图
  •     3.2.3 颜色显著性图
  •     3.2.4 综合显著性图
  •   3.3 基于显著性图像的含云影像粗检测
  •     3.3.1 遥感影像云层粗检测
  •     3.3.2 检测结果分析
  •   3.4 本章小结
  • 第4章 基于多特征联合的遥感影像云检测
  •   4.1 云层的纹理特征
  •     4.1.1 分形维数特征
  •     4.1.2 灰度共生矩阵
  •     4.1.3 Tamura纹理
  •     4.1.4 LBP纹理特征
  •   4.2 基于可分离度的特征选择
  •   4.3 基于主成分分析法的特征压缩
  •   4.4 基于支持向量机的遥感影像云检测
  •     4.4.1 支持向量机算法
  •     4.4.2 基于SVM的分类器训练
  •   4.5 实验结果分析
  •     4.5.1 云检测结果
  •     4.5.2 精度评价
  •   4.6 本章小结
  • 第5章 总结与展望
  •   5.1 研究工作总结
  •   5.2 展望
  • 参考文献
  • 攻读硕士期间发表的论文和科研情况
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 黄宇

    导师: 潘励

    关键词: 云检测,显著性分析,纹理特征,支持向量机

    来源: 武汉大学

    年度: 2019

    分类: 基础科学

    专业: 自然地理学和测绘学

    单位: 武汉大学

    分类号: P237

    总页数: 63

    文件大小: 4389K

    下载量: 30

    相关论文文献

    • [1].多光谱图像纹理特征数据挖掘方法仿真[J]. 计算机仿真 2020(02)
    • [2].基线动态对比增强磁共振成像纹理特征对直肠癌放化疗病理反应状态的预测价值[J]. 肿瘤影像学 2020(02)
    • [3].一种基于纹理特征匹配的快速目标分割算法[J]. 软件导刊 2017(03)
    • [4].像他 是他 不似平常 谈谈拍摄艺人照的经验[J]. 人像摄影 2017(02)
    • [5].基于耳蜗谱图纹理特征的声音事件识别[J]. 声学技术 2020(01)
    • [6].PET/CT融合图像肺纹理特征在肺癌诊断中的应用[J]. 中国继续医学教育 2020(25)
    • [7].纹理特征与面向对象结合的高分影像耕地提取应用[J]. 安徽农业科学 2018(19)
    • [8].基于角度纹理特征模型的道路提取方法[J]. 影像技术 2013(06)
    • [9].一种基于运动和纹理特征的深度图提取方法[J]. 南京工程学院学报(自然科学版) 2012(04)
    • [10].灰度共生矩阵纹理特征的运动目标跟踪方法[J]. 南京理工大学学报(自然科学版) 2010(04)
    • [11].音乐声的音色感知特征与图像的纹理特征的关联研究[J]. 复旦学报(自然科学版) 2020(03)
    • [12].磁共振后扣带回纹理特征分析在老年健康人群、轻度认知障碍与阿尔茨海默病患者鉴别诊断中的价值[J]. 解放军医学院学报 2020(07)
    • [13].基于波段运算和纹理特征的高分一号多光谱数据云检测[J]. 遥感信息 2018(05)
    • [14].一种基于鲁棒局部纹理特征的背景差分方法[J]. 计算机工程与科学 2017(08)
    • [15].基于灰度共生矩阵的纹理特征值提取[J]. 科技视界 2013(22)
    • [16].一种基于纹理特征的图像检索方法的实现[J]. 青海师范大学学报(自然科学版) 2012(04)
    • [17].高光谱影像纹理特征编码分形特征研究[J]. 武汉大学学报(信息科学版) 2009(04)
    • [18].开采沉陷遥感监测中多维纹理特征影像分类方法[J]. 煤田地质与勘探 2008(06)
    • [19].基于纹理特征和随机森林的恶意代码分类研究[J]. 湖北工业大学学报 2020(02)
    • [20].面向活体人脸检测的时空纹理特征级联方法[J]. 模式识别与人工智能 2019(02)
    • [21].应用色彩纹理特征的人脸防欺骗算法[J]. 计算机科学 2019(10)
    • [22].基于纹理特征的恶意代码检测方法测试[J]. 云南电力技术 2018(01)
    • [23].基于灰度共生矩阵纹理特征的输电导线识别[J]. 云南电力技术 2015(02)
    • [24].利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测[J]. 麦类作物学报 2020(08)
    • [25].基于纹理特征的穿梭分析系统动物检测算法[J]. 佳木斯大学学报(自然科学版) 2014(03)
    • [26].基于纹理特征的数字图书馆文档图像识别[J]. 图书馆学刊 2012(08)
    • [27].基于颜色和纹理特征的图像检索技术研究[J]. 河北工业大学学报 2008(06)
    • [28].基于间隙度纹理特征的海底目标检测方法[J]. 兵工学报 2015(S2)
    • [29].结合多尺度纹理特征的高光谱影像面向对象树种分类[J]. 北京林业大学学报 2020(06)
    • [30].健康志愿者心肌磁共振纹理特征初探[J]. 四川大学学报(医学版) 2019(04)

    标签:;  ;  ;  ;  

    基于显著性分析和多纹理特征的遥感影像云检测
    下载Doc文档

    猜你喜欢