[发明专利]一种卷云检测方法、设备及计算机可读存储介质

说明书

本发明公开了一种卷云检测方法，包括以下步骤：输入遥感图像，并获取遥感图像的原色通道灰度图；获取原色通道灰度图的分形维数特征图；基于分形维数特征图和原色通道灰度图获取权值灰度图；对原色通道灰度图的像素点进行聚类计算，获取像素点的聚类结果，基于聚类结果确定原色通道灰度图每一像素点的预分配标签；基于原色通道灰度图、权值灰度图和预分配标签建立图割模型；对图割模型进行最小割计算，输出遥感图像的检测结果。本发明还同时公开了一种卷云检测设备及计算机可读存储介质。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种卷云检测方法、设备及计算机可读存储介质。

背景技术

遥感图像中的卷云检测在生活中有着极为广泛的应用，如天气预报、地理监控等。具体地，由于在遥感成像中，卷云会对其他区域进行遮挡，因此对于遥感图像中不同形状的卷云如何提取也是近年来的研究热点。而卷云的形状往往变幻莫测，亮度与一些遥感高辐射物体如雪和白色建筑物等难以区分，并且还存在一些半透明的薄云，这些情况都会使卷云检测的难度大大提高。

现有技术中，遥感图像中的卷云检测方法主要是基于单帧图像的检测方法，包括阈值分割法和机器学习法，例如Kang等人在2017年提出的利用支持向量机(supportvectormachine，SVM)的训练多特征融合模型对卷云进行检测的方法；Yuan等人在2015年提出的采用词袋模型(bag of words，BoW)与SVM相结合划分卷云和其他物体之间区域对卷云进行检测的方法；Zhan等人在2017年提出的使用卷积神经网络(Convolutional neuralnetworks，CNN)进行特征提取检测卷云的方法等。但是，由于阈值分割法并不能很好的提取卷云的纹理结构特征，并且过分依赖遥感图像中卷云和其他物体之间的对比度条件，因此难以区分卷云和其他高辐射物体；而机器学习法需要大量的样本数据进行训练，因此当样本有限时，无法对卷云进行有效的检测。

另一方面，图割法作为一种流行的图像分割方法普遍应用多种领域，通过使用图割法可以将图像分割问题转化为模型优化问题，从而减少在图像检测中对于特征的依赖程度，并且对于有限样本的情况具有良好的适用性。

发明内容

本发明的目的在于：提供一种卷云检测方法，通过采用分形和图割算法检测卷云，解决了现有的卷云检测中当遇到高辐射物体干扰以及有限样本数据时使用阈值分割法和机器学习法检测效果不佳的问题。

本发明为了实现上述目的具体采用以下技术方案：

第一方面，本发明公开一种卷云检测方法，包括以下步骤：

步骤1、输入遥感图像，并获取遥感图像的原色通道灰度图；

步骤2、获取原色通道灰度图的分形维数特征图；

步骤3、基于分形维数特征图和原色通道灰度图获取权值灰度图；

步骤4、对原色通道灰度图的像素点进行聚类计算，获取像素点的聚类结果，基于聚类结果确定原色通道灰度图每一像素点的预分配标签；

步骤5、基于原色通道灰度图、权值灰度图和预分配标签建立图割模型；

步骤6、对图割模型进行最小割计算，输出遥感图像的检测结果。

进一步地，步骤2具体包括：

步骤2.1、计算所述原色通道灰度图中每个像素点处的分形曲面表面积S(n)，其中，n表示单位面积尺度；

步骤2.2、基于分形曲面表面积S(n)和分形表面公式计算每个像素点的分形维数d；其中，所述分形表面公式为S(n)＝n^2-d；

步骤2.3、基于每个像素点的分形维数d获取所述原色通道灰度图的分形维数特征图。

进一步地，步骤3具体包括：