篇一:《遥感图像云检测文献阅读报告》
上海大学2014～2015学年秋季学期研究生课程考试
文献阅读报告
课程名称： 电子科学与技术进展 课程编号： 07S009002
题目: 遥感图像的云检测方法
研究生姓名: 陈休 学 号: 15721070
评语:
成 绩: 任课教师: 肖中银
评阅日期:
遥感图像的云检测方法
15721070，陈休
2015.5.25
摘 要：本文先概括了遥感图像云检测的四大类方法：物理法、基于云的纹理和空间特性的方法、模式识别法和综合优化法，再结合具体的算法对每一类方法进行介绍，最后结合自己的研究进展对以后云检测发展方向进行了展望。
Cloud detection method for remote sensing image
Abstract: In this paper, I first summarize the four main types of remote sensing image cloud detection methods: physical method, method based on texture and spatial characteristics of cloud, pattern recognition method and comprehensive optimization method. Then I introduce each type of method combined with the specific algorithm. Finally, the future development direction of cloud detection is discussed with my recent research progress.
1. 引言
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。根据国际卫星云气候计划ISCCP(International Satellite Cloud Climatology Project)提供的全球云量数据显示，云覆盖了50％ 以上的地球表面，在利用遥感手段获取的地球空间信息中占有相当大的比率，因此云层遮挡是影响遥感图像质量的重要因素。一方面，由于云是重要的气象和气候要素之一，通过云的分布不但可以帮助发现危险的气候现象，如暴雨、飓风以及龙卷风，而且还可以跟踪气象条件的变化，因此自气象卫星问世以来，云检测和分类方法的研究就引起了各国学者的关注和兴趣。另一方面，由于光学遥感数据中大量云的存在，影响了遥感图像的质量，从而降低了图像的数据利用率，因此云检测和云剔除已成为光学遥感图像处理过程中需首要解决的问题之一。遥感图像云检测可以被看成是图像分析的二值分割任务，是后续进行云分类和云剔除的关键[2]。
1.1遥感简介
遥感是指借助对电磁波敏感的仪器，在不与探测目标接触的情况下，记录目标物对电磁波的辐射、反射、散射等信息，揭示目标物的特征、性质及其变化的综合探测技术。肉眼可见的光是电磁波中很短的一段，从0.4-0.76微米这部分称为可见光。图1显示了各种辐射的波长范围，卫星数据中主要利用了可见光和红外波段。传感器是收集、探测、记录地物电磁波辐射信息的工具，它的性能决定遥感的能力，即传感器对电磁波段的响应能力、传感器的空间分辨率及图像的几何特征、传感器获取地物信息量的大小和可靠程度。传感器按记录方式分为成像方式和非成像方式；按工作波段
图1
分可分为可见光传感器、红外传感器和微波传感器。可见光到近红外区的光学波段称为光学传感器，针对微波的传感器称为微波传感器。遥感影像的分辨率包括：空间分辨率、时间分辨率、光谱分辨率和辐射分辨率。我们使用最多的就是空间分辨率，它是指像素所代表的地面范围的大小，即扫描仪的瞬时视场或地面物体能分辨的最小单元。光谱分辨率是指传感器在接收目标辐射的波谱时能分辨的最小波长间隔，间隔愈小，分辨率愈高。不同光谱分辨率的传感器对同一地物探测效果有很大区别。成像光谱仪在可见光至红外波段范围内，被分割成几百个窄波段，具有很高的光谱分辨率，从其近乎连续的光谱曲线上，可以分辨出不同物体光谱特征的微小差异，有利于识别更多的目标，甚至有些矿物成分也可被分辨[5]。
1.2常用遥感卫星
美国NASA的陆地卫星(Landsat)计划(1975年前称为地球资源技术卫星 — ERTS )，从1972年7月23日以来， 已发射8颗（第6颗发射失败）。目前Landsat1—4均相继失效，Landsat 5仍在超期运行（从1984年3月1日发射至今）；Landsat 7于1999年4月15日发射升空；Landsat8于2013年2月11日发射升空，经过100天测试运行后开始获取影像。其中Landsat 7于1999年4月15日发射升空后，由于其优越的数据质量，以及与以前的Landsat系列卫星保持了在数据上的延续性，现在已成为中国遥感卫星地面站的主要产品之一。Landsat 7卫星上携带专题制图仪ETM，ETM具有8个波段，其中1-5波段和7波段是多光谱波段，空间分辨率是30米，第六波段是热红外波段，空间分辨率是120米，第8波段为全色波段，分辨率为15米，景宽185公里，景面积为34225平方公里。
法国SPOT IMAGE公司在2002年发射SPOT-5卫星，以满足用户对SPOT数据的持续需求。SPOT-5卫星将与其前期卫星一起，运行于同一轨道，以继续保持对地观测的高重复周期。SPOT-5卫星拟用HRG(High Resolution Geometry)传感器，替代SPOT-4的HRVIR传感器，HRG有以下新的特征：以5m或3m的分辨率替代全色波段10m分辨率的数据；以10m分辨率替代多光谱波段20m的数据；而对短波红外波段，仍维持20m的地面分辨率。
高分一号卫星是中国高分辨率对地观测系统的第一颗卫星，由中国航天科技集团公司所属空间技术研究院研制，主要用户为国土资源部、农业部、环境保护部和气象部门。高分一号卫星是中国高分辨率对地观测系统的首发星，配置了2台2米分辨率全色/8米分辨率多光谱相机，4台16米分辨率多光谱宽幅相机，突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感等关键技术，设计寿命5至8年。
至今为止，获取高分辨率的卫星数据都要花费高昂的代价，只有少数的中等分辨率的数据是免
费获取的，比如：美国的Landsat系列数据。
2. 遥感图像云检测方法
根据云检测方法所基于的基础理论和研究思路的不同，将云检测方法分为4大类：物理法、基于云的纹理和空间特性的方法、模式识别法和综合优化法。物理方法和基于云的纹理和空间特性的方法本质上都是阈值法，只是检测的依据不同，物理方法进行遥感图像云检测的依据是辐射值，即辐射信息，纹理和空间特性的方法进行云检测的依据是图像的空间信息。计算机技术的发展，使得模式识别技术在遥感领域中得到了广泛的应用，并给云检测提供了另一个有效的途检测器设计[8]。近年来，随着云检测的要求越来越高，云检测的方法呈多样化发展，出现了多算法综合使用的优化检测方法，众多的研究结果表明综合方法的效果明显优于单一算法[10]。{基于多时相高分一号8米/16米多光谱影像以及空间分辨率为}.
2.1 FMASK算法
此算法是使用Landsat 7卫星数据来进行云检测的，总共有7个波段分别是蓝、绿、红、近红外、中红外、热红外和中红外，其中波段7是为地质学家追加的波段可用于区分主要岩石类型。输入图像的1,2,3,4,5,7波段转换成大气层顶反射率，6波段转换成亮度温度，然后基于云的物理属性制定出的规则提取出云区域。大气层顶的反射率，这是辐射定标的结果之一，它是由地表反射率和大气反射率组成的，这是一个相对的值，在0和1之间。亮度温度描述实际物体自身的辐射特性，亮度温度并不是物体本身的实际温度，而是物体辐射强度的代名词，也是通过辐射定标得到。
算法包含了好几个测试去提取云区域，具体的测试如下：
Basic Test = Band 7 TOA > 0.03 and BT < 27 and NDSI < 0.8 and NDVI < 0.8， (1)
其中NDSI= (Band 2−Band 5)/(Band 2+Band 5)
NDVI= (Band 4−Band 3)/(Band 4+Band 3)
公式(1)是基础测试，因为云处于高空之中，所以云像素相比于地物拥有较高的亮度，并且云的温度低，反射率高温度低于27是来自于ACCA（自动云覆盖评估）系统，TOA>0.03来自于LEDAPS内部云掩膜算法NDSI NDVI是两个指数，最大不会超过0.8。NDSI也称为归一化差异雪指数，NDSI>=0.4的区域即为冰雪覆盖区。因为云跟雪有相似的物理特性，所以采用这个指数来作为一个检测条件。 Whiteness Test = i31BandiMeanVis)/MeanVis<0.7 (2)
其中MeanVis =（ Band 1+ Band 2 + Band 3 ）/3
上面的“白度”指数是用来排除不是云却是白色像素的干扰，0.7这个值是由全球云参考数据集 HOT Test =Band1–0.5•Band 3–0.08 > 0 (3) B4/B5 Test =Band 4/Band 5 > 0.75 (4) 公式（3）分辨薄云和雾的效果特别好更不用说分辨厚云和雾，但是公式（3）也会包含一些错
Water Test = （NDVI<0.01 and Band 4 < 0.11 ）or( NDVI < 0.1 and Band 4 <0.05 ) (5) 公式(5)把所有像素分为两类：水和陆地。不管厚云的下垫面是水还是陆地它都将属于陆地像素，因为厚云的存在遮蔽了所有地物信息，而下垫面为水的薄云将被归类于水像素。水测试的主要作用就是分类，为下一步计算做准备，因为不同下垫面类型的影响是不同的，温度分布和反射率的范围都是不同的。最后同时满足公式（1），（2），（3），（4）得到潜在的云像素（PCP），如果PCP超过了中通过灵敏度分析得出的，对LANDSAT数据的效果好。 检的高亮像素：比如岩石、浑浊的水和冰雪。所以需要公式（4）去排除这些像素的干扰。
99.9%也就是说图像几乎全是云，则就认为是最后的检测结果，因为下一步方法需要至少0.1%的无云像素。
第二步是分别进行两类像素的云检测，云检测都是基于温度和亮度可能性两个值的结合。因为水和陆地两类像素的云检测过程相似，因此以水像素为例。公式（6）是温度的表示，公式（7）是亮度的表示。
wTemperature_Prob = (Twater–BT)/4 (6)
其中Twater = 82.5 percentile of Clear—sky Water pixels’BT，Clearsky Water = Water Test （true）and Band 7<0.03。Clearsky Water是用来确定无云像素；Twater表示的是无云水像素的亮度温度，只取了82.5%的无云水像素目的是为了不让温度太低，因为越上层的大气温度越低。
Brightness_Prob=min(Band5,0.11)/0.11 (7)
水通常是暗的是因为反射率低特别是在第五波段，水面上的云能明显的增加反射率。通常第五波段的水反射率是低于0.05的除了浑浊的水和比较浅的水因为这些水的透明度低，考虑到这些水的存在，所以设定最大反射率是0.11。
最后将温度和亮度可能性相乘，若结果大于0.5被判为是云像素。浑浊和浅水和高海拔地区的水能被轻易的排除 ，因为只要一个指标是接近0的，另一个指标不管多大最后的结果还是趋向于0[9]。
此算法经过分类和多种精准阈值的设定能达到很好的检测结果，但是此算法只是局限Landsat数据有一定的应用局限性。
2.2视觉显著性模型{基于多时相高分一号8米/16米多光谱影像以及空间分辨率为}.
由于阈值法对阈值的选取比较敏感，在处理城市地区的高亮地物和冰雪等等区域时有较大的误差，所以接下来出现了模式分类法。模式分类法从模式识别的角度，根据云的物理特征，通过选择合适的分类器实现云识别。
视觉显著性是指智能算法通过模拟人的视觉特点，标注出图片中的显著区域。此算法的步骤是： 裁剪数据。
分割裁剪的数据位三个等级：过分割；适当分割；欠分割。
对于每一个级别的区域，区域特性使用区域属性描述符和区域对比描述符来描述。
借助从云区域中提取的特征训练随机森林分类器。
用经过训练的随机森林分类器来决定每一分类数据的每一个区域的显著性值。（是云判为1，
不是云判为0）
把三个显著性数据融合成一个最终的显著性数据
，
M是云掩膜的像素值，S是最终显著性数据的像素值，Si是每一类显著性数据的显著性值[8]。 这个方法的缺点是小块云和半透明云是没法检测到的，优点是对边界的处理是比较好的，高亮物体的错检率比较低。
篇二:《高分一号影像融合步骤》
高分一号影像融合步骤
使用Gram-Schmidt融合方法能得到较好的融合效果，也适合于遥感集市卫星数据。在ENVI中Gram-Schmidt融合工具使用非常简单，当图像有很多背景0值情况下（如下图），则需要使用掩膜文件 ，让背景不参与融合能达到很好的效果。
打开全色和多光谱图像。 选择主菜单->Transform->Image Sharpening->Gram-Schmidt Spectral Sharpening。3 在Select Low Spatial Resolution Multi Band Input File对话框中选择低分辨率多光谱图像。同时在Select Mask Band选项中选择Mask Options->Build Mask。
在Mask Definition面板中，选择Options->Import Data Range，在文件选择框中选择多光谱图像文件。（注：这里是通过像元值范围构建掩膜文件）。
Data Min Value：
Data Max Value：空白（自动默认最大值）
选择掩膜文件和路径输出。
在Select High Spatial Resolution Pan Input Band对话框中选择全色图像。
在弹出的Gram-Schmidt Spectral Sharpening面板中，需要选择降低高分辨率全色波段的方法，有四种方法的意义如下：
AvAverage of Low Resolution Multispectral File：利用多光谱波段的平均值来模拟低分辨率的全色波段。
Select Input File：从外部文件中选择一个单波段并且与多光谱数据相同尺寸大小的图像来模拟模拟低分辨率的全色波段。
Create By Sensor Type: 选择一种传感器来模拟低分辨率的全色波段。，融合图像是经过辐射定标的数据。
User Defined Filter Function：选择一个滤波函数来模拟低分辨率的全色波段。融合图像是经过辐射定标的数据。
经过测试，后两种方法中不经过辐射定标也能得到较好的结果。
这里选择Average of Low Resolution Multispectral File方法。
选择重采样方法和输入路径及文件名，单击OK输出。 如下图所示，使用掩膜的结果更清晰，色彩更真实。
提示：Gram-Schmidt方法的大致流程：第一步，从低分辨率的波段中复制出一个全色波段。第二步，对复制出的全色波段和多波段进行Gram-Schmidt变换，其中全色波段被作为第一个波段。第三步，用高空间分辨率的全色波段替换Gram-Schmidt 变换后的第一个波段。最后，应用Gram-Schmidt反变换得到融合图像。
篇三:《高分一号数据参数》
高分一号数据参数
高分一号卫星是中国高分辨率对地观测系统的第一颗卫星，卫星全色分辨率是2米，多光谱分辨率为8米。高分一号卫星的宽幅多光谱相机幅宽达到了800公里。
卫星发射试验队在卫星进场前对发射场质量管理工作进行了详细策划，按照集团公司“航天型号精细化质量管理要求”、“航天型号技术风险分析与控制要求”等各项规章制度，制定了《高分一号卫星发射场产品保证计划》。试验队进场后，及时下发了《高分一号卫星发射场复查及“四查双想”工作要求》的通知。工作内容包括发射场风险分析与控制复查、四查双想和飞控预案复查三个部分。高分一号卫星在发射场技术区未发生任何质量问题，实现了发射场工作零缺陷、产品零故障的目标，确保了卫星不带问题转场。
据介绍，高分专项打破了以往遥感卫星数据由单一或少数用户部门管理的模式，每颗高分卫星均对应多个主要用户部门，并向其他用户部门提供数据服务。
国防科工局结合专项实施，鼓励和支持高分数据应用有关产业集群、产业化基地等建设，并逐步引导遥感集市对高分数据进行商业开发、创新产业模式。此外，国防科工局通过政府间平等互利的数据交换等合作，将高分数据有效推广出去，并支持国内相关企业开拓国际商业服务市场。
高分一号卫星发射成功后，将能够为国土资源部门、农业部门、环境保护部门提供高精度、宽范围的空间观测服务，在地理测绘、海洋和气候气象观测、水利和林业资源监测、城市和交通精细化管理，疫情评估与公共卫生应急、地球系统科学研究等领域发挥重要作用。
公安部可以利用高分一号卫星数据和高分专项先期攻关成果，在黑龙江、内蒙古、河北等地发现了多处罂粟种植区;在吉林、内蒙古等地发现了建国以来最大面积的大麻种植区;在中朝边界、新疆发现数十条非法越境通道;在福建发现海上大型走私油库等。这些成果为公安部有关部门执法提供了重要信息支撑。
篇四:《高分一号PMS相机多光谱和全色数据预处理》
高分一号PMS相机多光谱和全色数据预处理 (2013-09-22 19:12:22)
转载
标签：
高分一号
gf-1
杂谈 ▼ 分类： ENVI
高分一号（GF-1）的P/MS相机可以获取包括8米多光谱和2米的全色图像。其中8米的多光谱包括蓝、绿、红、近红外4个波段。GF-1还配置4台分辨率为16米的多光谱中分辨率宽幅相机，拥有800km幅宽。
和其他国产数据一样，如资源三号、资源一号02C等，在ENVI中完全支持利用提供的RPC文件进行正射校正等处理，处理流程和资源三号、资源一号02C基本一样。 注：本文主要在ENVI5中操作。
1. 图像打开
在ENVI5中，选择file->Open，直接选择.tiff 文件打开。可以看到ENVI自动识别了相应的RPC文件（.rpb），数据的储存顺序是BIP。{基于多时相高分一号8米/16米多光谱影像以及空间分辨率为}.
在图像显示窗口中，根据RPC文件对图像进行了几何定位。通过透视窗口对比全色和多光谱的几何位置，Y方向有一定的位置偏移，X方向位置偏移较大。
2. 正射校正
ENVI5中
(1) 启动Toolbox/Geometric Correction/Orthorectification/RPC Orthorectification Workflow。
(2) 第一步骤：选择图像文件和dem文件
(3) 第二步骤：正射校正参数设置，包括控制点选择、输出像元大小、重采样方法、输出路径等。
控制点：无
Pixel size：8