亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        聯(lián)合云量自動(dòng)評(píng)估和加權(quán)支持向量機(jī)的Landsat圖像云檢測(cè)

        2014-06-27 05:47:44胡根生陳長(zhǎng)春
        測(cè)繪學(xué)報(bào) 2014年8期
        關(guān)鍵詞:云量反射率波段

        胡根生,陳長(zhǎng)春,梁 棟

        1.安徽大學(xué)計(jì)算智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室,安徽合肥 230039;2.安徽大學(xué)電子信息工程學(xué)院,安徽合肥 230601

        聯(lián)合云量自動(dòng)評(píng)估和加權(quán)支持向量機(jī)的Landsat圖像云檢測(cè)

        胡根生1,2,陳長(zhǎng)春1,2,梁 棟1,2

        1.安徽大學(xué)計(jì)算智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室,安徽合肥 230039;2.安徽大學(xué)電子信息工程學(xué)院,安徽合肥 230601

        針對(duì)云量自動(dòng)評(píng)估算法難以檢測(cè)Landsat圖像中的半透明云問(wèn)題,提出一種云量自動(dòng)評(píng)估和加權(quán)支持向量機(jī)相結(jié)合的云檢測(cè)算法。首先根據(jù)云在不同波段中的大氣輻射特點(diǎn),結(jié)合陸地衛(wèi)星ETM+圖像數(shù)據(jù)的光譜特性,利用云量自動(dòng)評(píng)估算法將圖像像元初步分成云像元、非云像元和待定像元,再以云的光譜特性構(gòu)造特征向量,利用加權(quán)支持向量機(jī)算法進(jìn)行待定像元的云層檢測(cè),最終獲得全部圖像的云檢測(cè)結(jié)果。仿真試驗(yàn)結(jié)果表明,該方法既具有云量自動(dòng)評(píng)估算法的云檢測(cè)優(yōu)勢(shì),還對(duì)云量自動(dòng)評(píng)估算法難以識(shí)別的半透明云有較好的檢測(cè)效果。

        陸地衛(wèi)星圖像;云檢測(cè);云量自動(dòng)評(píng)估;支持向量機(jī)

        1 引 言

        云檢測(cè)是衛(wèi)星遙感圖像處理與應(yīng)用過(guò)程中的一大難點(diǎn),云和晴空的分離是反演大氣和地表各種參數(shù)所必須的預(yù)處理工作,云檢測(cè)結(jié)果的正確與否直接影響到其他參數(shù)的反演結(jié)果。

        目前國(guó)內(nèi)外研究較多的云檢測(cè)方法是產(chǎn)生二分“云/晴空”掩模[1-3]。文獻(xiàn)[4]利用高分辨率遙感圖像像元值和同時(shí)相同區(qū)域的低空間分辨率圖像的無(wú)云像元值進(jìn)行比較實(shí)現(xiàn)云像元鑒定,再進(jìn)行基于目標(biāo)的區(qū)域生長(zhǎng)方法獲得云掩模。該方法的優(yōu)點(diǎn)是不依賴(lài)熱波段且可用于最高分辨率遙感圖像的云識(shí)別,缺點(diǎn)是利用高分辨率圖像和中低分辨率圖像之間地物光譜的線(xiàn)性相關(guān)性識(shí)別云層時(shí),如果圖像中存在大片云層,則方法失效。文獻(xiàn)[5—6]提出閾值算法進(jìn)行云檢測(cè),文獻(xiàn)[7]結(jié)合光譜閾值法和紋理分析法實(shí)現(xiàn)遙感相機(jī)自主辨云。閾值法簡(jiǎn)單易實(shí)現(xiàn),但算法性能對(duì)閾值的選擇比較敏感。針對(duì)Landsat圖像,文獻(xiàn)[8]使用迭代自回歸技術(shù)(ISODATA)產(chǎn)生Landsat TM圖像的云和云陰影掩模。ISODATA是無(wú)監(jiān)督分類(lèi),還有一些研究使用有監(jiān)督分類(lèi)方法建立云掩模,這些方法利用一些特殊波段來(lái)確定云閾值,比如文獻(xiàn)[9]使用TM波段1和波段4的亮度閾值,文獻(xiàn)[10]使用ETM+波段1和波段6L。文獻(xiàn)[11—12]提出云量自動(dòng)評(píng)估(automatic cloud cover assessment,ACCA)算法,通過(guò)建立兩組濾波器,并利用地物的先驗(yàn)特征進(jìn)行Landsat圖像云檢測(cè),檢測(cè)結(jié)果表明,91%的云量自動(dòng)評(píng)估與實(shí)際云覆蓋率相差20%以?xún)?nèi)。文獻(xiàn)[13]采用基于像元和基于目標(biāo)的方法,提高ACCA算法檢測(cè)Landsat ETM+圖像中云的識(shí)別率。ACCA算法現(xiàn)已被應(yīng)用于其他傳感器,如ASTER[14]、SPOT及IRS-LISS[15]。ACCA算法由于缺少1.375μm波段,因而云邊緣以及半透明云例如卷云等難以檢測(cè)。文獻(xiàn)[16]提出了MLTK算法,通過(guò)設(shè)置Landsat圖像波段1、波段3、波段4和波段5的反射率閾值,將Landsat圖像像元分解成云像元和其他非云像元。由于缺少熱波段數(shù)據(jù), MLTK算法對(duì)于薄云、冰雪、巖石等高反射率地物上空的云層檢測(cè)能力有限。

        近年來(lái),以統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理為基礎(chǔ)的支持向量機(jī)(support vector machine, SVM)已被有效地應(yīng)用于遙感圖像云檢測(cè)和云去除[17-18]。本文提出一種基于ACCA和WSVM相結(jié)合的Landsat遙感圖像云檢測(cè)算法,先利用ACCA算法對(duì)Landsat圖像進(jìn)行初步處理,實(shí)現(xiàn)厚云的快速有效檢測(cè),再利用WSVM算法的強(qiáng)學(xué)習(xí)能力將ACCA算法難以檢測(cè)的半透明云檢測(cè)出來(lái)。

        2 加權(quán)支持向量機(jī)

        在標(biāo)準(zhǔn)支持向量機(jī)方法中,不同類(lèi)別的樣本采用相同的懲罰參數(shù),造成預(yù)測(cè)結(jié)果偏向于大樣本類(lèi)別。因此,根據(jù)各個(gè)樣本的具體情況,應(yīng)該選擇不同的懲罰參數(shù),從而得到更準(zhǔn)確的預(yù)測(cè)結(jié)果,即所謂的加權(quán)支持向量機(jī)[19-20]。

        設(shè)給定樣本集x={(x1,y1),(x2,y2),…, (xn,yn)},其中xi∈Rd,yi∈{-1,+1},n是樣本數(shù)量,xi為輸入向量,yi為xi所屬類(lèi)別,d為xi的維數(shù)。加權(quán)支持向量機(jī)模型描述如下

        式中,C是均衡常數(shù);非線(xiàn)性函數(shù)φ(·)將訓(xùn)練樣本集數(shù)據(jù)x映射到一個(gè)高維線(xiàn)性特征空間;si表示第i個(gè)訓(xùn)練樣本的加權(quán)系數(shù)。

        采用Lagrange乘子法求解得到對(duì)偶的二次規(guī)劃為

        式中,矩陣H是半正定矩陣,Hij=y(tǒng) iyjK(xi, xj);e=[1 1…1]T;α=[α1α2…αn]T。由計(jì)算出的αi可以得出決策函數(shù)如下

        式中,SV表示支持向量集;NNSV為支持向量個(gè)數(shù)。

        由于訓(xùn)練樣本對(duì)最終分類(lèi)模型的貢獻(xiàn)程度不一樣,特別是位于分類(lèi)超平面上的支持向量樣本貢獻(xiàn)最大,為了增加支持向量樣本的權(quán)重,本文采用一種基于兩類(lèi)樣本中心距離的權(quán)值確定方法。

        如果樣本點(diǎn)是線(xiàn)性可分的,則互中心距離要大于自中心距離。假設(shè)中心距離和加權(quán)系數(shù)存在某種函數(shù)關(guān)系,則可以構(gòu)造權(quán)值函數(shù)si=f(D)。相比其他樣本點(diǎn),支持向量樣本所對(duì)應(yīng)的自中心距離相對(duì)較大,而對(duì)應(yīng)的互中心距離相對(duì)較小,因而本文構(gòu)造二次權(quán)重函數(shù)

        將自中心距離較大的樣本加權(quán)系數(shù)賦值為1,自中心距離較小的樣本加權(quán)系數(shù)賦值為足夠小的正數(shù)ε。另一方面,將互中心距離較小的樣本加權(quán)系數(shù)賦值為1,互中心距離較大的樣本加權(quán)系數(shù)賦值為足夠小的正數(shù)ε。其滿(mǎn)足的自中心距離與權(quán)值關(guān)系的邊界條件為

        先對(duì)每類(lèi)樣本分別求出基于自中心距離和互中心距離的權(quán)重系數(shù),再求其平均值作為每類(lèi)樣本的權(quán)重系數(shù)。這樣,支持向量樣本所獲得的權(quán)重就較大,遠(yuǎn)離分類(lèi)超平面的樣本點(diǎn)所獲得權(quán)重系數(shù)就較小。

        3 云檢測(cè)算法

        3.1 基于ACCA算法的像元分類(lèi)

        ACCA算法[12]需要把Landsat圖像波段2到波段5的原始數(shù)據(jù)轉(zhuǎn)化成大氣頂部反射率,波段6原始數(shù)據(jù)轉(zhuǎn)換成傳感器溫度值。在波段i上,大氣頂部輻射亮度和圖像數(shù)據(jù)的關(guān)系如下

        式中,Qi是遙感圖像像元量化水平;Gi是波段i上的傳感器響應(yīng)值;Q0i是波段i上零輻射亮度的偏置值。

        式中,ds是日地天文單位距離;E0i是波段i上的大氣外層太陽(yáng)輻射照度;θ是太陽(yáng)天頂角。

        波段6的亮度溫度和大氣頂部輻射亮度之間的轉(zhuǎn)換公式如下

        式中,T和K2分別是傳感器上的溫度和校準(zhǔn)常數(shù)1 282.71,均以開(kāi)爾文度數(shù)表示;K1是校準(zhǔn)常數(shù)666.09是波段6的大氣頂部輻射亮度。

        ACCA算法利用8個(gè)濾波器將Landsat圖像像元分解成云像元、非云像元和待定像元。

        亮度閾值濾波器:將圖像中各個(gè)像元在波段3上的反射率和亮度閾值比較,如果該像元的反射率小于此閾值,則將該像元識(shí)別為非云像元。如果該像元的反射率大于此閾值,則將該像元送到歸一化雪差異指數(shù)濾波器中進(jìn)行處理。

        歸一化雪差異指數(shù)濾波器:是由波段2和波段5的反射率表示

        由于云像元和雪像元在波段2上的反射率很接近,但是在波段5上云像元的反射率高而雪像元的反射率低。因此,此濾波器被有效應(yīng)用于消除雪的干擾。如果某像元的NDSI值大于設(shè)定的閾值,則該像元被認(rèn)為是雪像元,被標(biāo)記為非云點(diǎn),否則將該像元送往溫度濾波器處理。

        溫度閾值濾波器:將波段6的亮溫值與設(shè)定的閾值比較,如果一個(gè)像元溫度值超過(guò)該閾值,則將該像元標(biāo)記為非云點(diǎn),否則將該像元送往波段5/6復(fù)合濾波器中繼續(xù)檢驗(yàn)。

        波段5/6復(fù)合濾波器表達(dá)式為

        如果一個(gè)像元的復(fù)合值超過(guò)閾值,則此像元被標(biāo)記為待定點(diǎn),否則將該像元送往波段4/3比率濾波器中繼續(xù)處理。

        波段4/3比率濾波器:用來(lái)排除高反射率的植被。綠色植物在近紅外波段(波段4)有較高的反射率,在紅色波段(波段3)中有較低的反射率。因此植被的波段4/3比值高于云。如果一個(gè)像元的波段4/3比值超過(guò)設(shè)定的閾值,則該像元被標(biāo)記為待定點(diǎn),否則將該像元送往波段4/2比率濾波器中繼續(xù)檢驗(yàn)。

        波段4/2比率濾波器:枯萎植物在綠色區(qū)域(波段2)有較高的反射率。因此植被的波段4/2比值高于云。如果一個(gè)像元的波段4/2比值超過(guò)設(shè)定的閾值,則該像元被標(biāo)記為待定點(diǎn),否則將該像元送往波段4/5比率濾波器中繼續(xù)檢驗(yàn)。

        波段4/5比率濾波器:用于排除高反射率的巖石和沙漠區(qū)域。如果一個(gè)像元的波段4/5比值低于設(shè)定的閾值,則該像元被標(biāo)記為待定點(diǎn),否則將該像元送往波段5/6復(fù)合閾值濾波器中繼續(xù)檢驗(yàn)。

        如果一個(gè)像元的波段5/6比值超過(guò)設(shè)定的閾值,則該像元被標(biāo)記為暖云點(diǎn),否則該像元為冷云點(diǎn)。

        3.2 基于WSVM的云檢測(cè)

        經(jīng)過(guò)ACCA算法的8組濾波器處理之后,每一景圖像中每個(gè)像元都被確定為云像元、非云像元或待定像元,ACCA算法對(duì)待定像元利用地物的先驗(yàn)特征進(jìn)行云檢測(cè),算法由于缺少1.375μm波段,因而云邊緣以及半透明云例如卷云等難以檢測(cè)。本文將ACCA算法和WSVM算法相結(jié)合,對(duì)待定像元利用WSVM算法進(jìn)行進(jìn)一步分類(lèi),提高云檢測(cè)的精確性。

        由于多光譜圖像含有豐富的地物信息,在不同時(shí)刻、不同地理位置上具有不同的光譜特性,而云的光譜特征受云的類(lèi)型、厚度、透明度、高度、背景等多種因素影響。為了降低預(yù)測(cè)誤差,本文從Landsat圖像數(shù)據(jù)庫(kù)中挑選與試驗(yàn)圖像具有相同地理位置的含云典型圖像構(gòu)建訓(xùn)練樣本和測(cè)試樣本。針對(duì)Landsat圖像的特點(diǎn),根據(jù)云層特定的光譜特性,由波段2到波段5的反射率值、波段6的溫度值、NDVI(歸一化植被指數(shù))、NDSI、波段5/6、4/3、4/2、4/5的比值作為圖像內(nèi)容信息的特征描述,形成圖像的11維特征向量,利用該11維特征向量訓(xùn)練WSVM,獲得分類(lèi)超平面,再將待定像元構(gòu)建上述的11維特征向量,利用WSVM算法進(jìn)行待定像元云檢測(cè),最終獲得全部像元的云檢測(cè)結(jié)果。全部云檢測(cè)過(guò)程示意圖見(jiàn)圖1。

        圖1 云檢測(cè)過(guò)程示意圖Fig.1 The diagram of cloud detection processing

        4 試驗(yàn)與結(jié)果

        本部分進(jìn)行試驗(yàn)?;贏CCA的云檢測(cè)算法、基于MLTK云檢測(cè)算法、基于ACCA和 SVM相結(jié)合的云檢測(cè)算法被用來(lái)與本文提出的基于ACCA和WSVM相結(jié)合的云檢測(cè)算法進(jìn)行對(duì)比分析。試驗(yàn)中ACCA算法采用文獻(xiàn)[12]中的各項(xiàng)參數(shù),MLTK算法和參數(shù)來(lái)自文獻(xiàn)[16], SVM和WSVM模型的核函數(shù)取高斯核K(xi,核參數(shù)σ和均衡常數(shù)C采用網(wǎng)格搜索法確定。

        試驗(yàn)選取來(lái)自L(fǎng)andsat 7 ETM+傳感器拍攝的不同云含量的3組多光譜圖像,已經(jīng)過(guò)輻射校正和幾何校正等處理。為了便于文中顯示,將多光譜圖像中的部分波段(紅、綠、藍(lán)波段)合成彩色圖像,并從圖像中截取大小為300×300的子圖,見(jiàn)圖2。3組圖像的拍攝時(shí)間、全球參考系統(tǒng)坐標(biāo)WRS見(jiàn)表1。

        圖2 3組Landsat多光譜圖像部分波段合成彩色圖像Fig.2 Three color images synthetized by partial bands of Landsat multi-spectral images

        表1 3組Landsat多光譜圖像信息Tab.1 Information of three groups of Landsat multi-spectral images

        對(duì)上述3組多光譜圖像分別利用4種不同云檢測(cè)算法的檢測(cè)結(jié)果二值圖見(jiàn)(圖3—圖5),其中白色區(qū)域表示云區(qū)域,黑色區(qū)域表示非云區(qū)域。

        從上述3組圖像云檢測(cè)結(jié)果可以看出,4種算法都能夠?qū)⒑裨谱R(shí)別出來(lái),但ACCA算法難以檢測(cè)云邊緣以及薄云,MLTK算法利用光譜閾值對(duì)云和地物分類(lèi),能夠檢測(cè)出部分薄云,但在復(fù)雜地表信息區(qū)域把部分具有高反射率的巖石誤判為云像元,該方法對(duì)云邊緣和薄云存在一些漏判現(xiàn)象。在ACCA云檢測(cè)的基礎(chǔ)上,利用SVM和WSVM的學(xué)習(xí)算法對(duì)待定像元進(jìn)行云檢測(cè),能有效提高薄云檢測(cè)效果。由于WSVM算法對(duì)不同的樣本進(jìn)行加權(quán),突出支持向量的權(quán)重,其學(xué)習(xí)效果更優(yōu)于相同權(quán)重的SVM算法,從圖3(d)、圖4(d)、圖5(d)可以看出本文算法將檢測(cè)的云邊緣擴(kuò)展到透明云與非云區(qū)域的交界處,檢測(cè)出了其他3種算法難以檢測(cè)的云邊緣以及薄云,對(duì)薄云像元有更好的識(shí)別精度,有效地提高了云檢測(cè)效果。對(duì)上述云檢測(cè)結(jié)果的評(píng)價(jià),可用定量分析方法。本文選取準(zhǔn)確率、Kappa系數(shù)作為定量評(píng)價(jià)標(biāo)準(zhǔn)。由于真實(shí)的地表信息難以獲取,本文將試驗(yàn)圖像分解成10×10的小塊,采用氣象專(zhuān)家目測(cè)打分的方法獲取云掩膜,并假設(shè)該云掩膜是準(zhǔn)確的,試驗(yàn)中的準(zhǔn)確率和Kappa系數(shù)都是以此為參考獲得的。利用不同算法云檢測(cè)結(jié)果的定量評(píng)價(jià)指標(biāo)見(jiàn)表2。

        圖3 不同算法云檢測(cè)結(jié)果比較(第1組)Fig.3 Results of cloud detection for different algorithms(group 1)

        圖4 不同算法云檢測(cè)結(jié)果比較(第2組)Fig.4 Results of cloud detection for different algorithms(group 2)

        圖5 不同算法云檢測(cè)結(jié)果比較(第3組)Fig.5 Results of cloud detection for different algorithms(group 3)

        表2 4種云檢測(cè)算法的定量評(píng)價(jià)結(jié)果比較Tab.2 Comparison of quantitative evaluation results for four cloud detection algorithms

        從表2可以看出,本文算法云檢測(cè)效果優(yōu)于其他3種云檢測(cè)算法,從定量評(píng)價(jià)上證明了本文算法的優(yōu)越性。這是因?yàn)锳CCA算法不能識(shí)別透明薄云,MLTK算法只能檢測(cè)出部分薄云,且存在誤判現(xiàn)象,SVM+ACCA算法對(duì)透明云與非云區(qū)域交界處的云邊緣不能有效識(shí)別,而本文算法能夠有效識(shí)別出圖像中薄云區(qū)域并將檢測(cè)的云邊緣擴(kuò)展到透明云與非云區(qū)域的交界處。表3是4種不同云檢測(cè)算法在上述3組試驗(yàn)中檢測(cè)出的云含量比較,表中的云含量是指不同算法正確識(shí)別出的云像素占整幅圖像像素的百分比。從表3可以看出,在ACCA算法的基礎(chǔ)上,對(duì)待定像元利用WSVM算法進(jìn)行進(jìn)一步檢測(cè),可以提高檢測(cè)出的云含量。除了上述3組試驗(yàn)外,本文作者還利用含云的Landsat圖像進(jìn)行了多次試驗(yàn),結(jié)果都表明,4種方法都能將圖像中的厚云檢測(cè)出來(lái),而ACCA算法結(jié)合WSVM算法對(duì)半透明云有良好的檢測(cè)能力,如果圖像中含有大量的半透明云,利用本文算法可以有效提高檢測(cè)出的云含量。

        表3 4種云檢測(cè)算法的云含量比較Tab.3 Comparison of cloud content for four cloud detection algorithms(%)

        5 結(jié)束語(yǔ)

        ACCA算法通過(guò)建立兩組濾波器,并利用地物的先驗(yàn)特征進(jìn)行Landsat圖像云檢測(cè),對(duì)圖像中的積云、層云等具有較好的檢測(cè)效果,但由于ACCA算法缺少1.375μm波段,因而云邊緣以及半透明云例如卷云等難以檢測(cè)。傳統(tǒng)的SVM算法在解決小樣本、非線(xiàn)性以及高維空間模式識(shí)別中表現(xiàn)出較強(qiáng)的優(yōu)勢(shì),但SVM對(duì)大規(guī)模數(shù)據(jù)進(jìn)行分類(lèi)時(shí)將耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時(shí)間。本文結(jié)合ACCA算法和WSVM算法的云檢測(cè)優(yōu)勢(shì),先用ACCA算法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,再利用WSVM算法進(jìn)行判斷分類(lèi)。由于不同樣本對(duì)最終分類(lèi)的貢獻(xiàn)程度不一樣,通過(guò)選用合理的權(quán)值系數(shù)構(gòu)建WSVM分類(lèi)器,對(duì)圖像信息進(jìn)行預(yù)測(cè)分類(lèi),與ACCA閾值法相比,避免了由于主觀因素造成的誤差。試驗(yàn)結(jié)果表明,本文方法進(jìn)行遙感圖像云檢測(cè)具有較好的效果,就本文的試驗(yàn)結(jié)果而言,云檢測(cè)含量比ACCA算法有著明顯的提高。下一步的研究將考慮云層特征包括光譜特征和紋理特征的提取并對(duì)特征加權(quán),以及構(gòu)建更強(qiáng)分類(lèi)能力的模型,進(jìn)一步提高云檢測(cè)的精確性。

        [1] ZAVODY A M,MUTLOW C T,LLEWELLYN-JONES D T.Cloud Clearing over the Ocean in the Processing of Data from the Along-track Scanning Radiometer(ATSR) [J].Journal of Atmospheric and Oceanic Technology, 2000,17(5):595-615.

        [2] WILSON M J,OREOPOULOS L.Enhancing a Simple MODIS Cloud Mask Algorithm for the Landsat Data Continuity Mission[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(2):723-731.

        [3] LIU Ronggao,LIU Yang.Generation of New Cloud Masks from MODIS Land Surface Reflectance Products[J].Remote Sensing of Environment,2013,133(15):21-37.

        [4] SEDANO F,KEMPENEERS P,STROBL P,et al.A Cloud Mask Methodology for High Resolution Remote Sensing Data Combining Information from High and Medium Resolution Optical Sensors[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(5):588-596.

        [5] JEDLOVEC G J,HAINES S L,LAFONTAINE F J.Spatial and Temporal Varying Thresholds for Cloud Detection in GOES Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(6):1705-1717.

        [6] DI VITTORIO A V,EMERY W J.An Automated,Dynamic Threshold Cloud-masking Algorithm for Daytime AVHRR Images over Land[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(8):1682-1694.

        [7] TAO Shuping,JIN Guang,ZHANG Guixiang,et al.A Wavelet SCM Algorithm Used to Detect Cloud in Remote Sensing Cameras[J].Acta Geodaetica et Cartographica Sinica,2011,40(5):598-603.(陶淑蘋(píng),金光,張貴祥,等.實(shí)現(xiàn)遙感相機(jī)自主辨云的小波SCM算法[J].測(cè)繪學(xué)報(bào),2011,40(5):598-603.)

        [8] HELMER E H,RUEFENACHT B.Cloud-free Satellite Image Mosaics with Regression Trees and Histogram Matching[J].Photogrammetric Engineering and Remote Sensing,2005,71(9):1079-1089.

        [9] SONG M,CIVCO D L.A Knowledge-based Approach for Reducing Cloud and Shadow[C]∥ASPRS-ACSM Annual Conference and FIG XXII Congress.Washington D C: [s.n.],2002.

        [10] MARTINUZZI S,GOULD W A,RAMOS GONZALEZ O M.Creating Cloud-free Landsat ETM+Data Sets in Tropical Landscapes:Cloud and Cloud-shadow Removal [R].[S.l.]:United States Department of Agriculture, 2007:1-18.

        [11] IRISH R R,BARKER J L,GOWARD S N,et al.Characterization of the Landsat-7 ETM+Automated Cloud-cover Assessment(ACCA)Algorithm[J].Photogrammetric Engineering&Remote Sensing,2006,72 (10):1179-1188.

        [12] IRISH R R.Landsat7 Automatic Cloud Cover Assessment [J].Proceedings of SPIE,2000,4049:348-355.

        [13] WATMOUGH G R,ATKINSON P M,HUTTON C W.A Combined Spectral and Object-based Approach to Transparent Cloud Removal in an Operational Setting for Landsat ETM+[J].International Journal of Applied Earth Observation and Geoinformation,2011,13(2): 220-227.

        [14] HULLEY G C,HOOK S J.A New Methodology for Cloud Detection and Classification with ASTER Data[J].Geophysical Research Letters,2008,35(16):L16812.

        [15] SOILLE P.Image-2006 Mosaic:SPOT-HRVIR/HRG and IRS-LISSⅢCloud Detection[R].[S.l.]:European Commission,2008.

        [16] OREOPOULOS L,WILSON M J,VARNAI T.Implementation on Landsat Data of a Simple Cloud-mask Algorithm Developed for MODIS Land Bands[J].IEEE Geoscience and Remote Sensing Letters,2011,8(4): 597-601.

        [17] LEIVA-MURILLO J M,GOMEZ-CHOVA L,CAMPSVALLS G.Multitask Remote Sensing Data Classification [J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(1):151-161.

        [18] LIANG Dong,KONG Jie,HU Gensheng,et al.The Removal of Thick Cloud and Cloud Shadow of Remote Sensing Image Based on Support Vector Machine[J].Acta Geodaetica et Cartographica Sinica,2012,41(2):225-231.(梁棟,孔頡,胡根生,等.基于支持向量機(jī)的遙感影像厚云及云陰影去除[J].測(cè)繪學(xué)報(bào),2012,41(2): 225-231.)

        [19] GUO Lei,WU Youxi,ZHAO Lei,et al.Classification of Mental Task from EEG Signals Using Immune Feature Weighted Support Vector Machines[J].IEEE Transactions on Magnetics,2011,47(5):866-869.

        [20] HWANG J P,PARK S,KIM E.A New Weighted Approach to Imbalanced Data Classification Problem via Support Vector Machine with Quadratic Cost Function[J].Expert Systems with Applications,2011,38(7):8580-8585.

        (責(zé)任編輯:陳品馨)

        Cloud Detection for Landsat Images by Combination of ACCA with WSVM

        HU Gensheng1,2,CHEN Changchun1,2,LIANG Dong1,2
        1.Key Laboratory of Intelligent Computing and Signal Processing,Ministry of Education,Anhui University,Hefei 230039,China;2.School of Electronics and Information Engineering,Anhui University,Hefei 230601,China

        A cloud detection algorithm combining ACCA(automatic cloud cover assessment)with WSVM (weighted support vector machine)is proposed to solve the problem that ACCA algorithm is difficult to detect the translucent cloud on Landsat images.Firstly,the ACCA algorithm is used to divide image pixels into cloud pixels,non-cloud pixels and undetermined pixels based on the atmospheric radiation characteristics of cloud in different bands and the spectral characteristics of Landsat ETM+image data.Then using the spectral properties of cloud to construct feature vectors,and using WSVM algorithm to detect the undetermined pixels,the cloud detection results of all the images are obtained.Experimental results show that this method not only has the advantages of ACCA cloud detection algorithm,but also has good detection effect for the translucent cloud which is hardly identified by ACCA.

        Landsat images;cloud detection;cloud cover assessment;support vector machine

        HU Gensheng(1971—),male,PhD,associate professor,majors in machine learning,image processing,pattern recognition.

        LIANG Dong

        P237:TP391

        A

        1001-1595(2014)08-0848-07

        國(guó)家自然科學(xué)基金(61172127);安徽省自然科學(xué)基金(1208085QF104)

        2013-04-22

        胡根生(1971—),男,博士,副教授,主要從事機(jī)器學(xué)習(xí)、圖像處理、模式識(shí)別等的研究。

        E-mail:hugs2906@sina.com

        梁棟

        E-mail:dliang@ahu.edu.cn

        HU Gensheng,CHEN Changchun,LIANG Dong.Cloud Detection for Landsat Images by Combination of ACCA with WSVM [J].Acta Geodaetica et Cartographica Sinica,2014,43(8):848-854.(胡根生,陳長(zhǎng)春,梁棟.聯(lián)合云量自動(dòng)評(píng)估和加權(quán)支持向量機(jī)的Landsat圖像云檢測(cè)[J].測(cè)繪學(xué)報(bào),2014,43(8):848-854.)

        10.13485/j.cnki.11-2089.2014.0117

        修回日期:2014-02-21

        猜你喜歡
        云量反射率波段
        春日暖陽(yáng)
        影響Mini LED板油墨層反射率的因素
        近岸水體異源遙感反射率產(chǎn)品的融合方法研究
        贛州地區(qū)云量變化特征及其與降水的關(guān)系
        ASC200型地基雙波段全天空云量自動(dòng)觀測(cè)儀云量比對(duì)分析
        氣象科技(2022年2期)2022-04-28 09:35:46
        具有顏色恒常性的光譜反射率重建
        1971—2010年虎林市云量與氣溫、降水的年際變化特征分析
        化學(xué)腐蝕硅表面結(jié)構(gòu)反射率影響因素的研究*
        電子器件(2017年2期)2017-04-25 08:58:37
        M87的多波段輻射過(guò)程及其能譜擬合
        日常維護(hù)對(duì)L 波段雷達(dá)的重要性
        西藏科技(2015年4期)2015-09-26 12:12:58
        国产精品视频永久免费播放| 手机免费日韩中文字幕| 亚洲国产精品嫩草影院久久av| 蜜桃av在线免费网站| 亚洲女初尝黑人巨高清| 草莓视频一区二区精品| 一区二区三区国产视频在线观看| 免费黄片小视频在线播放| 国产精品∧v在线观看| 国产精品无需播放器| 国产三级精品三级在线观看粤语| 久久婷婷综合激情五月| 色一情一乱一伦| 啪啪免费网站| 黑人一区二区三区高清视频| 音影先锋中文字幕在线| 国产女人高潮视频在线观看| 无码av在线a∨天堂毛片| 美国又粗又长久久性黄大片| 久久久精品午夜免费不卡| 久久99精品国产99久久6尤物| 日韩偷拍一区二区三区视频| 美腿丝袜视频在线观看| 俺去啦最新地址| 久久夜色撩人精品国产小说 | 国产人妖视频一区二区| 激情伊人五月天久久综合| 欧美性受xxxx黑人xyx性爽| 精品日本韩国一区二区三区| 久久一二区女厕偷拍图| 日本无码人妻波多野结衣| 国产乱子伦精品免费女| 午夜片无码区在线| 日韩精品一区二区三区四区五区六| 亚洲国产成人久久精品不卡| 国产午夜福利片| 国产国拍亚洲精品午夜不卡17| 能看不卡视频网站在线| 日本一区二区三区免费播放| 久99久热只有精品国产男同| 国产成人精品中文字幕|