论文部分内容阅读
随着遥感技术的迅速发展,遥感图像被广泛应用于军事目标识别、环境监测、气象分析、矿产开发、地理测绘等各个领域。然而,相关统计表明在任何时候50%地球表面都被云层覆盖。在遥感图像中,由于云的存在,给许多后续分析任务带来了挑战。遥感图像上云造成的遮挡、干扰在不同传感器、不同应用场景下的解决极为复杂,需要根据实际情况选择不同的解决策略。目前较为成熟的云检测主要集中在两类应用上,一类是以MODIS为代表的小比例尺大框幅全球云量气象监测为主的宏观应用;一类是以QucikBird、IKONOS为主的分辨率高于2m的超高分辨率下的军事、民用目标检测。然而我国的高分系列卫星空间分辨率在2~10米之间,在这种比例尺的图像中做一些敏感物体(例如船只、目标地物等)的检测时,常面临“看不清楚”的问题。因而云带来的目标检测干扰以及图像质量下降显得尤为明显。因此,针对这类“不太清晰”的遥感影像进行云检测非常具有实用意义。经过大量数据处理实践,本文针对这类图像上云的柔性边界特征、内部亮度非均匀性以及薄云存在的色差问题提出了自适应分割算法ASLIC与用于特征提取与分类的DCNN网络,最终实现了ASLIC+DCNN的云检测目标。本文的主要贡献有两方面,1.首先对线性迭代聚类(SLIC)方法进行改进,修改了CIE色彩空间的向量距离计算函数,并引入了独立性指标IDD来描述图像上云像素与图像的位置关系,从而自适应调整了SLIC算法的初始化条件以及迭代步长,然后输出云的候选区。2.实验探究了神经网络的两大派系SVM与DCNN网络在解决该问题过程中的优缺点,分别利用SVM与DCNN网络对ASLIC分割结果数据集的图斑进行了特征提取与分类,最终训练好了神经网络。DCNN网络是由卷积层、池化层、全连接层组成的双层神经网络模型,通过卷积层获得特征图,然后利用池化层与全连接层实现多尺度分类,可以很好地解决非线性问题。缺点在于需要训练大量的样本且调参过程较为复杂,也没有成熟的理论可以指导。实际应用中,对于训练样本较多且实时性要求较高的应用我们可以采用DCNN模型。