同方向的响应在中心频率相同时没有明显分离性。基于多特征提取的遥感影像云检测算法研究论文原稿。亮度特征提取由于云层与下垫面具有不同的辐射率，在多光谱影像中反应为不同的亮度值。采用高分号影像为样本，高分号多光谱影像包含个波段，分别为波段波段波段和近红外波段。云层在不同通道的影像中相比下垫面都具有较高的亮度值，因此从空间或通滤波器的提出主要是解决变换不能提取局部信息，而进入时间局部化的窗函数。由于滤波器与人类视觉细胞的视觉刺激响应类似，能较好地提取目标的局部空间和频率域信息，因此其在视觉领域中是种常用的图像预处理方式。由函数形成的维滤波器能够较好地在空间域和频率域取得最优化，可以较好地表示相应于空间频率方位和方向选择性的局部信息，是常用的纹理表示和描述方法。然而云层并没有明显的方基于多特征提取的遥感影像云检测算法研究论文原稿杂的区域，也包含海洋湖面等纹理细节少的样本。部分样本如图所示。计算云层样本和下垫面样本各个特征值，结果如图所示。基于多特征提取的遥感影像云检测算法研究论文原稿。亮度特征提取由于云层与下垫面具有不同的辐射率，在多光谱影像中反应为不同的亮度值。采用高分号影像为样本，高分号多光谱影像包含个波段，分别为波段波段波段和近红外波段。云层在不同通道的影像中相比下垫面都具有较高的亮度值，因此从空间或通道的亮。纹理特征提取下垫面中如雪冰明亮的水体和建筑物等具有与云层相似的光谱特征，因此纹理特征对近步区分云层中的杂质十分有效。常用的纹理特征有灰度共生矩阵分形维数局部值模式等。灰度共生矩阵由等提出，主要利用纹理灰度级的空间关系，首先根据图像像素间的方结语本文针对高分辨率遥感影像中大面积云层覆盖的问题，研究了基于云层特征提取的云检测算法。通过对高分号卫星样本特征值的统计分析，得到灰度共生矩阵和滤波响应各个特征值在不同参数下的分离度，进而采用具有区分性的特征。对于辐射特性，本文采用空间的亮度和饱和度。对的分类结果，采用边缘条件膨胀，进步优化云层边缘的提取结果。实验结果表明本文算法对遥感影像中的云层具有较好的检测效果。参考文献检测。云层样本来自遥感影像，部分样本如图所示，尺寸大小为。所有测试图均为大小，每张图也分为大小为的子图。训练样本和测试样本均包含两类云层和下垫面。如图所示，测试图包含厚云薄云卷云和积云等不同类型的云层。下垫面包含海洋山峦和农田沙漠等。实验包含样本训练图片分割特征提取云层判别。采用对样本进行训练，基于判别模型对子图属性进行判定。若子图识别为云层，则标记为，否则标记为。结果如图所示，本文采用目视判别实验采用软分割而不是硬性分为矩形子图，从而更好地检测云层边缘。目前针对云检测主要从亮度纹理频率个方面出发，提取不同的特征组合来进行云层识别。常用的方法有分形维数灰度共生矩阵小波变换和滤波器等。李志伟等通过光谱特征提取主云区，再通过纹理特征局部值模式和形状特征周長面积比来优化云层检测结果，但该方法受相机辐射校正系数影响，该系数在年中不固定，因此光谱特征的阈值设定不稳定。谭华等利用最大响应滤波器提取云，。实验结果与分析本文中云检测实验分为两部分云层样本训练和测试图片检测。云层样本来自遥感影像，部分样本如图所示，尺寸大小为。所有测试图均为大小，每张图也分为大小为的子图。训练样本和测试样本均包含两类云层和下垫面。如图所示，测试图包含厚云薄云卷云和积云等不同类型的云层。下垫面包含海洋山峦和农田沙漠等。实验包含样本训练图片分割特征提取云层判别。采用对样本进行训练，基于判别模型对子图属性进行判定。若子，基于多特征提取的遥感影像云检测算法研究论文原稿果。可以看出，对不同类型的云层，本算法都能较好地检测出主要云区。分别统计样本总数与正确判为云的样本数量，得到云检测精度为。对于的判别结果，方面是因为部分子图属于云层与地物混合，难以准确判别其是云层还是下垫面另方面，由于样本尺寸小，上述特征矢量难以准确描述所有样本的特点。后续研究可以针对云层选取描述性分离度更好的特征矢量，对于云图样本采用软分割而不是硬性分为矩形子图，从而更好地检测云层边缘。方法都建立在上述个方面，但对各个特征值的选择并没有详细的论证和分析。基于此，本文在个特征空间比较分析，通过样本的统计，基于可分离度的计算实现云层特征的优选。基于提取的特征矢量，采用进行云层与下垫面的分类，对判别为云层子图的样本，通过条件边缘膨胀，进步优化云层边缘提取，得到包含云层边缘的值图像。实验结果表明本算法对遥感影像云层检测具有较好的效果。实验结果与分析本文中云检测实验分为两部分云层样本训练和测试图滤波响应各个特征值在不同参数下的分离度，进而采用具有区分性的特征。对于辐射特性，本文采用空间的亮度和饱和度。对的分类结果，采用边缘条件膨胀，进步优化云层边缘的提取结果。实验结果表明本文算法对遥感影像中的云层具有较好的检测效果。参考文献，不同方向和不同尺度的纹理特征，得到维特征矢量。该方法虽然充分地提取了云层纹理特征，但由于滤波器对纹理特征的计算量大，且云层没有明显的方向性，因此十分耗时。余长辉等分别提取了平均灰度方差阶差分和高频系数小波高频系数以及的特征值和分形维数，但特征之间有冗余，不利于后续云检测。李鹏飞等仅利用平均梯度和灰度共生矩阵中的角阶矩值来提取云层纹理特征作为分类基础，未对云层光谱特征做分析。目前的特征提图识别为云层，则标记为，否则标记为。结果如图所示，本文采用目视判别实验结果。可以看出，对不同类型的云层，本算法都能较好地检测出主要云区。分别统计样本总数与正确判为云的样本数量，得到云检测精度为。对于的判别结果，方面是因为部分子图属于云层与地物混合，难以准确判别其是云层还是下垫面另方面，由于样本尺寸小，上述特征矢量难以准确描述所有样本的特点。后续研究可以针对云层选取描述性分离度更好的特征矢量，对于云图样基于多特征提取的遥感影像云检测算法研究论文原稿下垫面子各幅作为统计样本，云层样本包括卷云层云等不同纹理的云样本，下垫面样本既包括森林山丘裸地等纹理特征复杂的区域，也包含海洋湖面等纹理细节少的样本。部分样本如图所示。计算云层样本和下垫面样本各个特征值，结果如图所示。基于多特征提取的遥感影像云检测算法研究论文原稿。结语本文针对高分辨率遥感影像中大面积云层覆盖的问题，研究了基于云层特征提取的云检测算法。通过对高分号卫星样本特征值的统计分析，得到灰度共生矩阵的亮度值提取云层特征只能反映云层辐射强度。事实上，云层接近白色，值近似相等，在色彩空间中反映为亮度值高，饱和度低。如图所示，云层在通道有明显的亮度，但在通道相比下垫面饱和度要低，因此本文在空间中提取云层亮度和饱和度，作为辐射亮度值的特征。纹理特征提取下垫面中如雪冰明亮的水体和建筑物等具有与云层相似的光谱特征，因此纹理特征对近步区分云层中的杂质十分有效。常用的纹理特征有灰度共生矩阵分形维数性，采用不同尺度不同方向的滤波器对云层进行频率特征提取往往相互之间冗余性大，计算复杂度高。因此对不同的滤波尺度和方向，有必要根据其对特征分离的效果，选择分离度大的特征进行云层特征提取。选择大小的云层样本与下垫面样本，分析滤波器不同中心频率与方向的特征分离度。如图所示，图中为两个中心频率个方向共个滤波响应，分别以每个滤波响应的均值和标准差为特征值，计算个特征的分离度。由图中可以看出云层和下垫度值提取云层特征只能反映云层辐射强度。事实上，云层接近白色，值近似相等，在色彩空间中反映为亮度值高，饱和度低。如图所示，云层在通道有明显的亮度，但在通道相比下垫面饱和度要低，因此本文在空间中提取云层亮度和饱和度，作为辐射亮度值的特征。频率特征提取频率特征主要反映为提取不同尺度及方向下的纹理细节，常用的方法有小波变换滤波器等。滤波器是线性滤波器，主要针对图像边缘检测。和距离建立共生矩阵，再从矩阵中提取出有意义的数值作为特征值，基于灰度共生矩阵，常用的纹理特征值有其中，是特征值在类和中分离度，和，是特征值在类中的均值和方差，和，是特征值在类中的均值和方差。分离度值越大，特征分离性越好。选取高分号卫星图像的云和下垫面子各幅作为统计样本，云层样本包括卷云层云等不同纹理的云样本，下垫面样本既包括森林山丘裸地等纹理特征，