积分商城

最新搜索： vivado2012 瑞泰创新XDS510 UCD3138 图 sourceinsight 运算放大器参数解析与LTspice应用仿真
您现在的位置是：首页 > 技术资料 > 融合引导滤波和迁移学习的薄云图像中地物信息恢复算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

融合引导滤波和迁移学习的薄云图像中地物信息恢复算法

更新时间：2019-12-30 14:02:04 大小：4M 上传用户：IC老兵查看TA发布的资源 标签：滤波 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

薄云覆盖遥感图像使图像上的地物信息模糊。本文给出了一种融合引导滤波和迁移学习的薄云图像中地物信息恢复算法。首先利用多方向非抽样对偶树复小波变换对薄云目标图像和无云引导图像进行多分辨率分解,再对分解后的低频子带分别进行支持向量引导滤波和迁移学习,对分解后的高频子带利用修正的Laine增强函数进行增强,然后应用基于区域能量的选择和加权相结合的方法对引导滤波输出和迁移学习模型预测的低频子带进行融合,最后对增强后的高频子带和融合后的低频子带进行多方向非抽样对偶树复小波逆变换重构,获得地物信息恢复图像。Landsat-8 OLI多光谱图像的试验结果表明,支持向量引导滤波能够有效保留目标图像的地物细节信息,域自适应的迁移学习能有效扩展可利用的多源多时相遥感图像范围,通过融合引导滤波和迁移学习能有效去除遥感图像上的薄云,获得较好的地物信息恢复效果。


部分文件列表

文件名 大小
1577685717融合引导滤波和迁移学习的薄云图像中地物信息恢复算法.pdf 4M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
，
Ｖｏｌ．４７ Ｎｏ．３  
第
卷
第
期
测
绘
学
报
ꢀ
４７  
３
ꢀ
ꢀ
ꢀ
，
Ｍａｒｃｈ２０１８  
年
月
２０１８  
３
ＡｃｔａＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｒａ ｈｉｃａＳｉｎｉｃａ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｇ ｐ  
ꢀ
ꢀꢀ  
： ， ， ，  
引文格式 胡根生 周文利 梁栋 等 融 合 引 导 滤 波 和 迁 移 学 习 的 薄 云 图 像 中 地 物 信 息 恢 复 算 法  
．
［］ ， ， （ ）：  
测 绘 学 报  
２０１８ ４７ ３ ３４８３５８．  
－
Ｊ ．  
：
／
ＤＯＩ１０．１１９４７ ．Ａ Ｇ ＣＳ ．２０１８ ．２０１７０２５８ ．  
ｊ
，
，
，
ＨＵ Ｇｅｎｓｈｅｎ ＺＨＯＵ ＷｅｎｌｉＬＩＡＮＧＤｏｎ ｅｔａｌ．ＩｎｆｏｒｍａｔｉｏｎＲｅｃｏｖｅｒ ＡｌｏｒｉｔｈｍｆｏｒＧｒｏｕｎｄＯｂｅｃｔｓｉｎＴｈｉｎＣｌｏｕｄＩｍａｅｓ  
ｇ ꢀ ꢀ ｊ ꢀ ꢀ  
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
［］ ， ， （ ）： ：  
ｂ Ｆｕｓｉｎ ＧｕｉｄｅＦｉｌｔｅｒａｎｄＴｒａｎｓｆｅｒＬｅａｒｎｉｎ Ｊ ．ＡｃｔａＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｒａｈｉｃａＳｉｎｉｃａ ２０１８ ４７ ３ ３４８３５８．ＤＯＩ１０．  
ꢀ ꢀ  
ｙ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ ｐ  
ꢀ
－
／
１１９４７ ．Ａ Ｇ ＣＳ ．２０１８ ．２０１７０２５８ ．  
ｊ
融合引导滤波和迁移学习的薄云图像中地物信息恢复算法  
，，  
１２３  
，
１２  
，
１２  
，，  
１２３  
，
周文利  
，
梁
，
鲍文霞  
胡根生  
栋
ꢀ
，
安徽大学计算智能与信号处理教育部重点实验室 安徽 合肥  
１．  
；
２３００３９ ２．  
安徽大学电子信息工程学  
，
院 安徽 合肥  
；
，
偏振光成像探测技术安徽省重点实验室 安徽 合肥  
２３０６０１ ３．  
２３００３１  
ＩｎｆｏｒｍａｔｉｏｎＲｅｃｏｖｅｒ ＡｌｏｒｉｔｈｍｆｏｒＧｒｏｕｎｄＯｂｅｃｔｓｉｎＴｈｉｎＣｌｏｕｄＩｍａｅｓｂ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ｇ ｙ  
ꢀ
ꢀ
ｙ ｇ  
ꢀ
ｊ
Ｆｕｓｉｎ ＧｕｉｄｅＦｉｌｔｅｒａｎｄＴｒａｎｓｆｅｒＬｅａｒｎｉｎ  
ꢀ ꢀ ꢀ ꢀ  
ｇ
ｇ
ꢀ
，，  
１２３  
，
１２  
，
１２  
，，  
１２３  
，
，
ＺＨＯＵ Ｗｅｎｌｉ ＬＩＡＮＧＤｏｎ  
ꢀ
，
ＢＡＯ Ｗｅｎｘｉａ  
ꢀ
ＨＵＧｅｎｓｈｅｎ  
ꢀ
ꢀ
ꢀ
ｇ
ｇ
，
，
ｙ
１．Ｋｅ Ｌａｂｏｒａｔｏｒ ｏｆＩｎｔｅｌｌｉｅｎｔＣｏｍ ｕｔｉｎ ａｎｄＳｉｎａｌＰｒｏｃｅｓｓｉｎ ｏｆＭｉｎｉｓｔｒ ｏｆＥｄｕｃａｔｉｏｎ ＡｎｈｕｉＵｎｉｖｅｒｓｉｔ Ｈｅｆｅｉ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｙ
ꢀ
ｙ
ꢀ
ｇ
ｐ
ｇ
ꢀ
ｇ
ｇ
ꢀ
，
；
，
，
，
；
２３００３９ Ｃｈｉｎａ ２．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓ ａｎｄＩｎｆｏｒｍａｔｉｏｎ Ｅｎｉｎｅｅｒｉｎ ＡｎｈｕｉＵｎｉｖｅｒｓｉｔ Ｈｅｆｅｉ２３０６０１ Ｃｈｉｎａ  
ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｇ
ｙ
，
３．ＡｎｈｕｉＫｅ Ｌａｂｏｒａｔｏｒ ｏｆＰｏｌａｒｉｚａｔｉｏｎＩｍａｉｎ ＤｅｔｅｃｔｉｏｎＴｅｃｈｎｏｌｏ  
ｇｙ  
，
Ｈｅｆｅｉ２３００３１ Ｃｈｉｎａ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｙ
ꢀ
ｇ ｇ  
ꢀ
：
Ａｂｓｔｒａｃｔ Ｇｒｏｕｎｄｏｂｅｃｔｉｎｆｏｒｍａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｓｃｏｖｅｒｅｄｗｉｔｈｔｈｉｎｃｌｏｕｄｓｉｓｏｂｓｃｕｒｅ．Ａｎ  
ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｊ
ｇ
ꢀ
ｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｖｅｒ ａｌｏｒｉｔｈｍｆｏｒ ｒｏｕｎｄｏｂｅｃｔｓｉｎｔｈｉｎｃｌｏｕｄｉｍａｅｓｉｓ ｒｏｏｓｅｄｂ ｆｕｓｉｎ ｕｉｄｅｆｉｌｔｅｒａｎｄ  
ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ｙ ｇ  
ꢀ
ｇ
ｊ
ｇ
ｐ ｐ  
ｙ
ꢀ
ｇｇ  
ꢀ
，
ｔｒａｎｓｆｅｒｌｅａｒｎｉｎ ．Ｆｉｒｓｔｌ ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ ｄｅｃｏｍ ｏｓｉｔｉｏｎ ｏｆｔｈｉｎ ｃｌｏｕｄｔａｒｅｔｉｍａｅｓ ａｎｄ ｃｌｏｕｄｆｒｅｅ  
ꢀ ꢀ  
ꢀ
－
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
－
ｇ
ｙ
ｐ
ｇ
ｕｉｄａｎｃｅｉｍａｅｓｉｓ ｅｒｆｏｒｍｅｄ ｂ ｕｓｉｎ ｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｎｏｎｓｕｂｓａｍｌｅｄ ｄｕａｌｔｒｅｅ ｃｏｍｌｅｘ ｗａｖｅｌｅｔ  
ꢀ ꢀ － ꢀ ꢀ － ꢀ  
ꢀ
ꢀ
ꢀ
ｐ
ｇ
ｇ
ｐ
ｙ
ꢀ
ｇ
ꢀ
ｐ
ｔｒａｎｓｆｏｒｍ．Ｔｈｅｎｔｈｅｄｅｃｏｍ ｏｓｅｄｌｏｗｆｒｅｕｅｎｃ ｓｕｂｂａｎｄｓａｒｅ ｒｏｃｅｓｓｅｄｂ ｕｓｉｎ ｓｕ ｏｒｔｖｅｃｔｏｒ ｕｉｄｅｄ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｐ
ｑ
ｙ
ꢀ
ｐ
ｙ
ꢀ
ｇ ｐｐ  
ꢀ
ｆｉｌｔｅｒａｎｄｔｒａｎｓｆｅｒｌｅａｒｎｉｎ ｒｅｓｅｃｔｉｖｅｌ．Ｔｈｅｄｅｃｏｍ ｏｓｅｄｈｉｈｆｒｅｕｅｎｃ ｓｕｂｂａｎｄｓａｒｅｅｎｈａｎｃｅｄｂ ｕｓｉｎ  
ꢀ ꢀ  
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ｐ
ｙ
ｐ
ｑ
ｙ
ꢀ
ｍｏｄｉｆｉｅｄＬａｉｎｅｅｎｈａｎｃｅｍｅｎｔｆｕｎｃｔｉｏｎ．Ｔｈｅｌｏｗｆｒｅｕｅｎｃ ｓｕｂｂａｎｄｓｏｕｔｕｔｂ ｕｉｄｅｄｆｉｌｔｅｒａｎｄｔｈｏｓｅ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙｇ  
ꢀ
ꢀ
ꢀ
ꢀ
ｑ
ｙ
ꢀ
ｐ
ｒｅｄｉｃｔｅｄｂ ｔｒａｎｓｆｅｒｌｅａｒｎｉｎ ｍｏｄｅｌａｒｅｆｕｓｅｄｂ ｔｈｅｍｅｔｈｏｄｏｆｓｅｌｅｃｔｉｏｎａｎｄｗｅｉｈｔｉｎ ｂａｓｅｄｏｎｒｅｉｏｎａｌ  
ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀ ꢀ  
ｇ
ꢀ
ꢀ
ｐ
ｙ
ｇ
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
，
ｅｎｅｒ ．Ｆｉｎａｌｌ ｔｈｅ ｅｎｈａｎｃｅｄ ｈｉｈｆｒｅｕｅｎｃ ｓｕｂｂａｎｄｓ ａｎｄｔｈｅｆｕｓｅｄｌｏｗ ｆｒｅｕｅｎｃ ｓｕｂｂａｎｄｓ ａｒｅ  
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇｙ  
ｙ
ｑ
ｙ
ꢀ
ｑ
ｙ
ꢀ
ｒｅｃｏｎｓｔｒｕｃｔｅｄｂ ｕｓｉｎ ｉｎｖｅｒｓｅ ｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｎｏｎｓｕｂｓａｍｌｅｄｄｕａｌｔｒｅｅｃｏｍｌｅｘｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏ  
ꢀ ꢀ  
ｐ
ꢀ
ꢀ
－
ꢀ
ꢀ
－
ꢀ
ꢀ
ｙ
ｇ
ꢀ
ｐ
ꢀ
ｏｂｔａｉｎｔｈｅ ｒｏｕｎｄｏｂｅｃｔｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｖｅｒ ｉｍａｅｓ．ＥｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆＬａｎｄｓａｔ８ＯＬＩｍｕｌｔｉｓｅｃｔｒａｌ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ － ꢀ ꢀ  
ꢀ
ꢀ
ｇ
ｊ
ｙ
ꢀ
ｇ
ｐ
ｐ
，
ｉｍａｅｓｓｈｏｗｔｈａｔ ｓｕ ｏｒｔｖｅｃｔｏｒ ｕｉｄｅｄｆｉｌｔｅｒｃａｎｅｆｆｅｃｔｉｖｅｌ ｒｅｓｅｒｖｅｔｈｅｄｅｔａｉｌｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｔａｒｅｔ  
ꢀ ꢀ ꢀꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｐｐ  
ｙｐ  
ꢀ
ｇ
，
ｉｍａｅｓ ｄｏｍａｉｎａｄａｔｉｖｅｔｒａｎｓｆｅｒｌｅａｒｎｉｎ ｃａｎｅｆｆｅｃｔｉｖｅｌ ｅｘｔｅｎｄｔｈｅｒａｎｅｏｆａｖａｉｌａｂｌｅｍｕｌｔｉｓｏｕｒｃｅａｎｄ  
ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ｇ
ｐ
ｇ
ꢀ
ｙ
ꢀ
ｇ
，
ｍｕｌｔｉｔｅｍ ｏｒａｌｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｓ ａｎｄ ｏｏｄｅｆｆｅｃｔｓｆｏｒ ｒｏｕｎｄｏｂｅｃｔｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｖｅｒａｒｅｏｂｔａｉｎｅｄ  
ꢀ ꢀ ꢀ ꢀ  
－
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ ꢀ  
ｊ
ꢀ
ｐ
ｇ
ꢀ
ｇ
ｇ
ｂ ｆｕｓｉｎ ｕｉｄｅｆｉｌｔｅｒａｎｄｔｒａｎｓｆｅｒｌｅａｒｎｉｎ ｔｏｒｅｍｏｖｅｔｈｉｎｃｌｏｕｄｏｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅｓ．  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｇｇ  
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ｇ
：
；
；
ｙ
；
ｇ
；
Ｋｅ ｗｏｒｄｓ ｒｅｍｏｔｅｓｅｎｓｉｎ ｉｍａｅ ｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｖｅｒ ｉｍａｅｆｕｓｉｏｎ ｕｉｄｅｄｆｉｌｔｅｒ ｔｒａｎｓｆｅｒｌｅａｒｎｉｎ  
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ｇ
ｇ
： （ ；  
Ｆｏｕｎｄａｔｉｏｎｓｕ ｏｒｔ ＴｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ Ｎｏｓ．６１６７２０３２ ６１４０１００１  
ꢀ
）；  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ  
ｐｐ  
（
ＴｈｅＯ ｅｎＦｕｎｄｏｆＡｎｈｕｉＫｅ Ｌａｂｏｒａｔｏｒ ｏｆＰｏｌａｒｉｚａｔｉｏｎＩｍａｉｎ ＤｅｔｅｃｔｉｏｎＴｅｃｈｎｏｌｏ  
ꢀ ꢀ  
ｇｙ  
Ｎｏ．２０１６  
－
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ｙ
ꢀ
ｙ
ꢀ
ｇ ｇ  
ꢀ
）
ＫＦＫＴ００３  
－
： 。  
要 薄云覆盖遥感图像使图像上的地物信息模糊 本文给出了一种融合引导滤波和迁移学习的薄  
摘
ꢀ
。
云图像中地物信息恢复算法 首先利用多方向非抽样对偶树复小波变换对薄云目标图像和无云引导图  
， ，  
像进行多分辨率分解 再对分解后的低频子带分别进行支持向量引导滤波和迁移学习 对分解后的高频  
，
增强函数进行增强 然后应用基于区域能量的选择和加权相结合的方法对引导  
子带利用修正的  
Ｌａｉｎｅ  
，
滤波输出和迁移学习模型预测的低频子带进行融合 最后对增强后的高频子带和融合后的低频子带进  
，
行多方向非抽样对偶树复小波逆变换重构 获得地物信息恢复图像  
。
多光谱图像的试  
Ｌａｎｄｓａｔ８ＯＬＩ  
－
ꢀ
， ，  
验结果表明 支持向量引导滤波能够有效保留目标图像的地物细节信息 域自适应的迁移学习能有效扩  
， ：  
胡根生 等 融合引导滤波和迁移学习的薄云图像中地物信息恢复算法  
第
期
３
３４９  
， ，  
展可利用的多源多时相遥感图像范围 通过融合引导滤波和迁移学习能有效去除遥感图像上的薄云 获  
。
得较好的地物信息恢复效果  
： ； ； ； ；  
关键词 遥感图像 信息恢复 图像融合 引导滤波 迁移学习  
：
：
Ａ
：
文章编号  
１００１－１５９５２０１８０３－０３４８１１  
ꢀꢀꢀꢀ  
（
）
中图分类号  
文献标识码  
Ｐ２３７  
ꢀꢀꢀꢀ  
－
：
基金项目 国家自然科学基金  
（
；
６１６７２０３２６１４０１００１  
）；  
偏振光成像探测技术安徽省重点实验室开放基金  
（
）
２０１６ＫＦＫＴ００３  
－ －  
、
卫星遥感图像现已被广泛应用于工业 农业  
、
，
得相同地区不同时相的图像 通过图像融合技术  
ꢀꢀ  
、 、 、 。  
林业 资源 气象 环境和国防等多个领域 卫星  
， ，  
插补薄云区域的数据 得到无云图像 恢复地物信  
［
］
１２１３  
。
［ ］  
１４  
－
，
遥感传感器在获取地面图像时 极易受到天气影  
，
有
息
图像融合法可以移除云和云阴影  
。
，
效恢复地物信息 但现有的融合算法对图像噪声  
响
云层覆盖遥感图像使得图像上的地物信息模  
［
］
１５  
。
， 。  
糊或者缺失 严重影响图像的判读和分析 在现  
和不同图像的辐射差异较为敏感  
，
有条件下 寻找一种有效的遥感图像云覆盖下地  
本文给出一种融合引导滤波和迁移学习的薄  
，
物信息恢复方法 是增强有云遥感图像可用性的  
。
云图像中地物信息恢复算法 该算法利用多方向  
。
重要途径  
，
根据所用的遥感图像数量 从薄云图像中恢  
非抽样对偶树复小波变换对多源多时相遥感图像  
，
进行多分辨率分解 对分解后的图像低频成分分  
：
复地物信息的方法大致可以分为两类 第 类是  
１
别利用支持向量引导滤波方法和域自适应的迁移  
，
学习方法初步去除图像上的薄云 再对这两种方  
对单幅薄云图像进行滤波或边缘增强达到去除薄  
； 、  
云恢复地物信息的目的 第 类是利用多时相 多  
２
法处理后的图像低频成分利用基于区域能量的选  
，
择和加权相结合的方法进行融合 最终获取地物  
光谱遥感图像之间的互补信息来恢复薄云图像中  
。
的地物信息 同态滤波法和小波变换法是较为经  
典的从单幅薄云 遥 感 图 像 中恢复地 物 信息的 方  
。
细节清晰的无云遥感图像 由于支持向量引导滤  
，
波能有效保留地物的细节信息 还具有较好的抗  
。
，
噪声能力 域自适应的迁移学习模型能使得可利  
法
同态滤波法是一种把频率过滤和灰度变换结  
［
］
１３  
，
－
，
用的多源多时相遥感图像范围大大扩展 本文将  
合起来的处理方法  
先将图像通过傅里叶变换  
，
转换到频率域 然后使用高频滤波器对图像进行  
，
这两种方法恢复地物信息的图像进行融合 充分  
。
空间滤波去除薄云恢复地物信息 同态滤波法在  
，
利用支持向量引导滤波和迁移学习方法的优势  
［］  
４
。
，
在恢复薄云下地物信息的同时有效去除薄云 获  
每个通道的最佳截止频率可以半自动确定  
小
，
波变换法对薄云图像进行小波分解 得到不同分  
。
得好的地物信息恢复效果  
，
辨率的小波近似系数和细节系数 通过对近似系  
地物信息恢复算法  
１
ꢀ
，
数和细节系数的处理和重构 得到地物信息恢复  
［
］
５６  
。
－
， 、  
除了小波变换之外 轮廓波变换 对偶  
图像  
多方向非抽样对偶树复小波变换  
１．１  
ꢀ
树复小波变换等图像变换方法也被用于从单幅薄  
由于遥感图像中的地物与薄云一般占用不同  
［
］
７８  
。
－
，
的频带 薄云遥感图像经过多尺度变换分解之后  
，
云图像中恢复地物信息  
同态滤波法和图像  
，
变换法虽然能够去除薄云恢复地物信息 但是也  
，
地物信息主要分布在高频子带 薄云信息主要分  
，
会对地物信息造成损伤 同时由于先验条件的缺  
，
布在低频子带 因而小波变换等多尺度分解方法  
［］  
６
。
，
失和辅助信息的匮乏 利用单幅薄云图像恢复地  
已被应用于遥感图像薄云去除算法中  
小波变  
。
物信息的效果有限 多光谱图像法利用多光谱图  
：
换处理图像时存在两个方面的缺点 一是移位方  
， ，  
差的存在 即输入信号发生较小的平移 会造成小  
像传感器的某些波段分别对云层或地物较敏感这  
，
一特性来区分云层或地物 达到去云恢复地物信  
；
波变换的系数发生剧烈变化 二是方向选择性不  
［
］
９１０  
，
－
， 、  
足 只能捕获信号在水平 垂直以及对角 个方向  
３
息的目的  
其中  
的卷云波段已  
Ｌａｎｄｓａｔ８ＯＬＩ  
－
。 ， ［ ］  
上的细节信息 为此 文献 提出了对偶树复  
１６  
被广泛应用于  
多光谱图像的云层检测  
Ｌａｎｄｓａｔ８  
－
［
］
１１  
。
，
多光谱图像法需要有冗余的波段 在  
。
小波变换 对偶树复小波变换由两棵平行的小波  
和去除  
，
有限光谱分辨率的情况下 薄云很难用多光谱的  
，
树组成 两棵小波树提供了多分辨率分析的每层  
。
方法去除 多时相图像融合法利用不同传感器获  
， ，  
必要的信号延迟 并将采样间隔扩大 倍 从而消  
１

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号