專利名稱：基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種光學(xué)遙感圖像非勻質(zhì)云層判別方法，尤其涉及一種基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，屬于模式識(shí)別技術(shù)領(lǐng)域。
背景技術(shù)：
本發(fā)明的處理對(duì)象是非勻質(zhì)云，它的產(chǎn)生由于陽(yáng)光入射角度、不同高低云的相互遮擋或者云的不同區(qū)域薄厚不同等因素，造成本來(lái)高亮且均勻的云層中出現(xiàn)一些散布的低亮像素。于是，這種類型的云層被認(rèn)為是非勻質(zhì)云，同時(shí)勻質(zhì)云則是指那些高亮而又均勻的厚云。目前的云判別的方法主要是針對(duì)勻質(zhì)的高亮厚云，通過(guò)提取這類云特征，然后利用分類器進(jìn)行判決。常見的勻質(zhì)的高亮厚云的特征提取可以分為以下三個(gè)方面:灰度、紋理和邊緣:1)灰度方面的特征通常是基于灰度直方圖的，包括灰度均值、直方圖方差、云的覆蓋率；2)紋理方面的特征最常用的是基于灰度共生矩陣的方法，因?yàn)槠溥\(yùn)算簡(jiǎn)單而且檢測(cè)效果較好。這種方法首先要統(tǒng)計(jì)灰度共生矩陣，然后計(jì)算灰度共生矩陣派生特征，包括能量、平穩(wěn)度、對(duì)比度、熵等；3)邊緣方面的特征主要是通過(guò)對(duì)原圖進(jìn)行模板濾波得到的，常見的有Prewitt算子、Roberts算子和Sobel算子。對(duì)于分類器，主要種類有鄰近分類器、模糊邏輯分類器、判決樹分類器、神經(jīng)網(wǎng)絡(luò)分類器以及支持向量機(jī)分類器等，而本發(fā)明中所選的是應(yīng)用廣泛并且具有較優(yōu)性能的支持向量機(jī)。支持向量機(jī)(Support Vector Machine, SVM)是 Corinna Cortes 和 Vapnik 等于1995年首先提出的基于統(tǒng)計(jì)學(xué)習(xí)理論中VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的一種新的學(xué)習(xí)方法，它是以置信范圍值最小化為 優(yōu)化目標(biāo)的。不同于基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的原則的傳統(tǒng)分類方法，支持向量機(jī)是在有限的樣本情況下的學(xué)習(xí)行為，因此解決了小樣本下的分類問(wèn)題，由于引入VC維理論，從而避免了維數(shù)災(zāi)難的問(wèn)題。與此同時(shí)，支持向量機(jī)還引入了核函數(shù)思想，將復(fù)雜的非線性問(wèn)題通過(guò)空間轉(zhuǎn)換到線性空間求解，從而使算法更加簡(jiǎn)單。支持向量機(jī)以其完備的數(shù)學(xué)公式和超強(qiáng)的解決小樣本、非線性、高維數(shù)據(jù)問(wèn)題的能力，目前已應(yīng)用到很多研究領(lǐng)域。例如人臉識(shí)別、數(shù)字識(shí)另U、圖像分類等。勻質(zhì)的高亮厚云在利用上面提到的特征通過(guò)分類器時(shí)能得到很好的分類效果，但對(duì)于非勻質(zhì)云則不然。在非人工場(chǎng)景中，同一解譯對(duì)象內(nèi)部如果既有高亮像素又有低亮像素，則聞売像素和低売像素之間必然有過(guò)渡的中間級(jí)灰度。所以，和勻質(zhì)的聞売厚z 相比，非勻質(zhì)云的亮度較低、紋理豐富以及邊緣大量存在。由于統(tǒng)計(jì)性特征的模式識(shí)別框架會(huì)丟失大量的空域信息，所以在某些情況下，這些非勻質(zhì)云與一些不同亮度混合型的解譯對(duì)象(如山脈海陸交界處)在特征上很類似。從非勻質(zhì)云低亮像素散布的這一特點(diǎn)出發(fā)，如果可以通過(guò)某種手段找到這些低亮像素，并把它們的灰度值調(diào)高，這樣就可以將非勻質(zhì)云改善為同質(zhì)云，這時(shí)采用勻質(zhì)云的判別方法就可以得到較好的分類效果。

發(fā)明內(nèi)容
為了解決上述問(wèn)題，本發(fā)明提出一種基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，能夠?qū)Ψ莿蛸|(zhì)云中的低亮像素進(jìn)行灰度補(bǔ)償，從而實(shí)現(xiàn)對(duì)非勻質(zhì)云層的判別。為了達(dá)到上面目的，本發(fā)明的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法包括下列步驟:一種基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，包括下列步驟:第一步:計(jì)算云的自適應(yīng)門限:讀入待判別圖像，然后利用邊緣改進(jìn)的最大間類差法OTSU進(jìn)行全局閾值處理，從而得到云的自適應(yīng)門限；第二步:提取兩幅典型二值圖:利用第一步得到的云的自適應(yīng)門限對(duì)待判別圖像進(jìn)行二值化，得到云二值圖；利用設(shè)定的海的固定亮度門限和Sobel邊緣門限，對(duì)待判別圖像進(jìn)行二值化，得到海二值圖，將云二值圖和海二值圖進(jìn)行融合，得到云海二值圖；第三步:獲得云的位置標(biāo)記圖:對(duì)第二步得到的云海二值圖既膨脹又腐蝕，對(duì)海二值圖只進(jìn)行膨脹，然后利用處理后的兩幅圖得到云的位置標(biāo)記圖；第四步:對(duì)待判別圖像進(jìn)行同質(zhì)化處理:根據(jù)第三步得到的云的位置標(biāo)記圖，對(duì)待判別圖像中的非云像素進(jìn)行灰度補(bǔ)償，從而使非勻質(zhì)云變?yōu)閯蛸|(zhì)云；第五步:特征提取及歸一化:對(duì)第四步同質(zhì)化處理后的圖像提取灰度、紋理和邊緣這些針對(duì)勻質(zhì)厚云提取的特征，然后對(duì)特征進(jìn)行歸一化；第六步:利用支持向量機(jī)進(jìn)行判決:利用預(yù)先訓(xùn)練得到的模型，配合支持向量機(jī)的判決函數(shù)對(duì)第五步的歸一化特征進(jìn)行多分類，得到同質(zhì)化處理后的判決結(jié)果，至此整個(gè)過(guò)程結(jié)束。其中，第二步中對(duì)待判別圖像提取兩幅典型二值圖采用下述方法:步驟21)提取海二值圖:首先利用Sobel的模板對(duì)待判別圖像進(jìn)行濾波，得到待判別圖像對(duì)應(yīng)的邊緣信息圖，然后選定灰度門限和Sobel邊緣門限，當(dāng)待判別圖像中像素位置的灰度值和邊緣值都小于對(duì)應(yīng)門限，則這個(gè)像素被認(rèn)為是海，對(duì)其置I標(biāo)記，這樣海二值圖就此得到；步驟22)提取云二值圖:當(dāng)待判別圖像中像素亮度大于第一步提取的云的自適應(yīng)門限，則這個(gè)像素被認(rèn)為是云，對(duì)其置I標(biāo)記，這樣云二值圖就此得到；步驟23)融合后得到云海二值圖:云二值圖和海二值圖中只要其中任一幅圖中對(duì)應(yīng)像素被置1，就標(biāo)記為1，就得到了云海二值圖，然后丟棄上述的云二值圖，保留上述的海二值圖，至此，云海二值圖和海二值圖的提取過(guò)程結(jié)束。其中，第三步中利用腐蝕膨脹的方法獲得云的位置標(biāo)記圖具體包括以下步驟:步驟31)對(duì)云海二值圖進(jìn)行腐蝕膨脹:對(duì)第二步中得到的云海二值圖先膨脹再進(jìn)行腐蝕，膨脹半徑大于腐蝕半徑，得到膨脹腐蝕后的云海二值圖；步驟32)對(duì)海二值圖進(jìn)行膨脹:對(duì)得到的海二值圖只膨脹不腐蝕，膨脹半徑選取所述腐蝕半徑，得到膨脹后的海二值圖；步驟33)做差后得到云的標(biāo)記圖:對(duì)膨脹腐蝕后的兩幅圖，掃描各個(gè)像素點(diǎn)，當(dāng)云海二值圖中標(biāo)記為1，海的二值圖的標(biāo)記也為1，將位置標(biāo)記圖中的這個(gè)位置0，其他位置按照云海二值圖賦值，這時(shí)位置標(biāo)記圖里面標(biāo)記為I的位置被認(rèn)為是云的位置，至此本過(guò)程結(jié)束。其中，第四步中對(duì)待判別圖像中的非云像素進(jìn)行灰度補(bǔ)償具體為:按照云的位置標(biāo)記圖中標(biāo)記為I的位置逐個(gè)掃描，當(dāng)發(fā)現(xiàn)像素點(diǎn)的灰度小于所述云的自適應(yīng)門限，則認(rèn)為該像素點(diǎn)需要灰度補(bǔ)償，補(bǔ)償方法是該點(diǎn)像素的灰度和云的自適應(yīng)門限求均值，作為補(bǔ)償后該像素點(diǎn)的灰度。本發(fā)明的有益效果:(I)本發(fā)明對(duì)非勻質(zhì)云中的低亮像素進(jìn)行灰度補(bǔ)償，將非勻質(zhì)云轉(zhuǎn)化為勻質(zhì)云，從而可以采用針對(duì)勻質(zhì)云設(shè)計(jì)的特征提取和云判方法進(jìn)行云判，這時(shí)的判決結(jié)果將會(huì)比直接對(duì)非勻質(zhì)云進(jìn)行特征提取和判決要更為準(zhǔn)確。(2)本發(fā)明在獲取云的位置標(biāo)記圖時(shí)，利用非勻質(zhì)云低亮像素散布的這一特點(diǎn)，即低亮像素被高亮像素所包圍，因此對(duì)云海二值圖進(jìn)行膨脹腐蝕就可以將這低亮像素填補(bǔ)，并采用海二值圖膨脹結(jié)果做差得到云的位置，而且海二值圖只膨脹不腐蝕，使得海二值圖中海的區(qū)域稍大于處理后云海二值圖中海的區(qū)域，這樣能夠確保云海二值圖中海的區(qū)域一定被去除，從而提高了云位置獲取的準(zhǔn)確性。且膨脹腐蝕的方式計(jì)算效率也是比較高的。


圖1為本發(fā)明提供的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法流程圖；圖2為圖1中第二步對(duì)原始圖像提取兩幅典型二值圖的方法流程圖；圖3為圖1中第三步利用腐蝕膨脹的方法流程圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。圖1示出了本發(fā)明提供的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法流程圖。如圖1所示，本發(fā)明提供的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法包括按順序進(jìn)行的下列步驟:第一步、計(jì)算云的自適應(yīng)門限:讀入待判別圖像，該圖像可以原圖或原圖中的分塊，然后利用邊緣改進(jìn)的最大間類差法(OTSU)進(jìn)行全局閾值處理，從而得到待判別圖像的云的自適應(yīng)門限。其中，利用OTSU進(jìn)行全局閾值處理的具體步驟是:首先，計(jì)算待判別圖像的邊緣圖，只將邊緣圖中大于指定一個(gè)閾值門限的像素的灰度累加到一個(gè)灰度直方圖中。然后，對(duì)這個(gè)直方圖初始化分界點(diǎn)為―，其中F1和Fh可以是人為指定的經(jīng)驗(yàn)值，分別取得F1到
到Fh兩部分像素的灰度均值A(chǔ)和B。接著更新分界點(diǎn)為再次分別取得F1到
f和$到Fh兩部分像素的灰度均值A(chǔ)和B。重復(fù)上述步驟，直到前后兩次得到的迭代門
限相同，而這個(gè)門限就是要得到的云的自適應(yīng)門限。第二步、提取兩幅典型二值圖:利用上述的云的自適應(yīng)門限，對(duì)待判別圖像進(jìn)行二值化，得到云二值圖；利用人為確定的海的固定亮度門限和Sobel邊緣門限，對(duì)待判別圖像進(jìn)行二值化，得到海二值圖；將云二值圖和海二值圖進(jìn)行融合，得到云海二值圖。圖2為本步驟的提取兩幅典型二值圖的方法流程圖，包括按順序進(jìn)行的下列步驟:步驟S21)提取海二值圖:首先要利用Sobel的模板對(duì)待判別圖像進(jìn)行濾波，就可以得到待判別圖像對(duì)應(yīng)的邊緣信息圖。然后，人為的選定一個(gè)灰度門限和Sobel邊緣門限，當(dāng)待判別圖像中像素位置的灰度值和邊緣值都小于對(duì)應(yīng)門限，則這個(gè)像素被認(rèn)為是海，對(duì)其置I標(biāo)記，其他標(biāo)記為0，這樣海二值圖就此得到，然后進(jìn)入下一步S22 ；步驟S22)提取云二值圖:云的二值化需要用到第一步得到的云的自適應(yīng)門限，具體是當(dāng)待判別圖像中像素亮度大于這個(gè)門限，對(duì)其置I標(biāo)記，其他標(biāo)記為0，這樣云二值圖就此得到，然后進(jìn)入下一步S23 ；步驟S23)融合后得到云海二值圖:上述的云二值圖和海二值圖中只要其中任一幅圖中對(duì)應(yīng)像素被置1，就標(biāo)記為1，這樣就得到了云海二值圖，然后丟棄上述的云二值圖，保留上述的海二值圖。至此，云海二值圖和海二值圖的提取過(guò)程就結(jié)束了。第三步、獲得云的位置標(biāo)記圖:對(duì)上述的云海二值圖既膨脹又腐蝕，而對(duì)海二值圖只進(jìn)行膨脹，然后利用處理后的這兩幅圖就可以得到云的位置標(biāo)記圖。圖3為本步驟腐蝕膨脹的方法流程圖。對(duì)同質(zhì)化這個(gè)過(guò)程中最關(guān)鍵的就是定位那些非云的像素點(diǎn)，即云的位置標(biāo)記圖，之所以可以利用對(duì)云的膨脹腐蝕得到，主要是因?yàn)榉莿蛸|(zhì)云低亮像素散布的這一特點(diǎn)，少量的低亮像素散布就相當(dāng)于低亮像素被高亮像素所包圍一樣，這時(shí)對(duì)云進(jìn)行膨脹腐蝕就可以將這低亮像素填補(bǔ)，與此相對(duì)的一些混合型的解譯對(duì)象中的低亮像素分布就較為集中，所以對(duì)云進(jìn)行膨脹腐蝕對(duì)其沒(méi)有作用，而后采用海二值圖膨脹結(jié)果做差得到云的位置。而且這里海二值圖只膨脹不腐蝕，使得海二值圖中海的區(qū)域稍大于處理后云海二值圖中海的區(qū)域，這樣能夠確保云海二值圖中海的區(qū)域一定被去除，從而提高了云位置獲取的準(zhǔn)確性。如圖3所示，本步驟三利用腐蝕膨脹的方法包括按順序進(jìn)行的下列步驟:步驟S31)對(duì)云海二值圖進(jìn)行腐蝕膨脹:對(duì)第二步中得到的云海二值圖先進(jìn)行膨脹再進(jìn)行腐蝕，膨脹腐蝕半徑根據(jù)待判別圖像的實(shí)際分辨率確定，分辨率越大選定的膨脹腐蝕半徑越大，膨脹半徑的選擇應(yīng)稍大于腐蝕半徑，得到膨脹腐蝕后的云海二值圖，然后進(jìn)入下一步S32 ；步驟S32)對(duì)海二值圖進(jìn)行膨脹:對(duì)S2中得到的海二值圖只膨脹不腐蝕，膨脹半徑選取上步中腐蝕半徑，得到膨脹后的海二值圖，然后進(jìn)入下一步S33 ；步驟S33)做差后得到云的標(biāo)記圖:對(duì)上面膨脹腐蝕后的兩幅圖，掃描各個(gè)像素點(diǎn)，當(dāng)云海二值圖中標(biāo)記為1，海的二值圖的標(biāo)記也為1，將位置標(biāo)記圖中的這個(gè)位置0，其他位置按照云海二值圖賦值，這時(shí)位置標(biāo)記圖里面標(biāo)記為I的位置就被認(rèn)為是云的位置，至此本過(guò)程結(jié)束。第四步、對(duì)待判別圖像進(jìn)行同質(zhì)化處理:根據(jù)上述的云的位置標(biāo)記圖，采用一定規(guī)則對(duì)待判別圖像中的非云像素進(jìn)行灰度補(bǔ)償，從而使非勻質(zhì)云變?yōu)閯蛸|(zhì)云。本步驟中，同質(zhì)化處理的關(guān)鍵是找到造成非勻質(zhì)的那些低亮像素度，和如何對(duì)這些像素進(jìn)行補(bǔ)償，具體步驟:按照第三步得到的云的位置標(biāo)記圖中標(biāo)記為I的位置逐個(gè)掃描，當(dāng)發(fā)現(xiàn)像素點(diǎn)的灰度小于第一步得到的云的自適應(yīng)門限，則認(rèn)為該像素點(diǎn)需要灰度補(bǔ)償，補(bǔ)償方法是該點(diǎn)像素的灰度和云的自適應(yīng)門限求均值，作為補(bǔ)償后該像素點(diǎn)的灰度。第五步、特征提取及歸一化:對(duì)上述的同質(zhì)化處理后的圖像提取灰度、紋理和邊緣等針對(duì)勻質(zhì)厚云提取的特征，然后對(duì)特征進(jìn)行歸一化，為支持向量機(jī)判別最準(zhǔn)備，然后進(jìn)入下一步。第六步、利用支持向量機(jī)進(jìn)行判決:利用之前訓(xùn)練的到得模型，配合支持向量機(jī)的判決函數(shù)對(duì)上述的歸一化特征進(jìn)行多分類，于是就可以得到同質(zhì)化處理后的判決結(jié)果。因?yàn)椴捎昧送|(zhì)化處理，這時(shí)的判決結(jié)果將會(huì)比直接進(jìn)行特征提取和判決要更為準(zhǔn)確。至此整個(gè)過(guò)程結(jié)束。本步驟中，利用支持向量機(jī)進(jìn)行判決的具體方法是:首先，在利用支持向量機(jī)的判決之前首先進(jìn)行訓(xùn)練。本發(fā)明中支持向量機(jī)的訓(xùn)練和測(cè)試都是利用臺(tái)灣林智仁教授團(tuán)隊(duì)開發(fā)的Lib-SVM (—種開源的支持向量機(jī))進(jìn)行的。綜上所述，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，其特征在于，包括下列步驟: 第一步:計(jì)算云的自適應(yīng)門限:讀入待判別圖像，然后利用邊緣改進(jìn)的最大間類差法OTSU進(jìn)行全局閾值處理，從而得到云的自適應(yīng)門限； 第二步:提取兩幅典型二值圖:利用第一步得到的云的自適應(yīng)門限對(duì)待判別圖像進(jìn)行二值化，得到云二值圖；利用設(shè)定的海的固定亮度門限和Sobel邊緣門限，對(duì)待判別圖像進(jìn)行二值化，得到海二值圖，將云二值圖和海二值圖進(jìn)行融合，得到云海二值圖； 第三步:獲得云的位置標(biāo)記圖:對(duì)第二步得到的云海二值圖既膨脹又腐蝕，對(duì)海二值圖只進(jìn)行膨脹，然后利用處理后的兩幅圖得到云的位置標(biāo)記圖； 第四步:對(duì)待判別圖像進(jìn)行同質(zhì)化處理:根據(jù)第三步得到的云的位置標(biāo)記圖，對(duì)待判別圖像中的非云像素進(jìn)行灰度補(bǔ)償，從而使非勻質(zhì)云變?yōu)閯蛸|(zhì)云； 第五步:特征提取及歸一化:對(duì)第四步同質(zhì)化處理后的圖像提取灰度、紋理和邊緣這些針對(duì)勻質(zhì)厚云提取的特征，然后對(duì)特征進(jìn)行歸一化； 第六步:利用支持向量機(jī)進(jìn)行判決:利用預(yù)先訓(xùn)練得到的模型，配合支持向量機(jī)的判決函數(shù)對(duì)第五步的歸一化特征進(jìn)行多分類，得到同質(zhì)化處理后的判決結(jié)果，至此整個(gè)過(guò)程結(jié)束。
2.按權(quán)利要求1所述的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，其特征在于，第二步中對(duì)待判別圖像提取兩幅典型二值圖采用下述方法: 步驟21)提取海二值圖:首先利用Sobel的模板對(duì)待判別圖像進(jìn)行濾波，得到待判別圖像對(duì)應(yīng)的邊緣信息圖，然后選定灰度門限和Sobel邊緣門限，當(dāng)待判別圖像中像素位置的灰度值和邊緣值都小于對(duì)應(yīng)門限，則這個(gè)像素被認(rèn)為是海，對(duì)其置I標(biāo)記，這樣海二值圖就此得到； 步驟22)提取云二值圖:當(dāng)待判別圖像中像素亮度大于第一步提取的云的自適應(yīng)門限，則這個(gè)像素被認(rèn)為是云，對(duì)其置I標(biāo)記，這樣云二值圖就此得到； 步驟23)融合后得到云海二值圖:云二值圖和海二值圖中只要其中任一幅圖中對(duì)應(yīng)像素被置1，就標(biāo)記為1，就得到了云海二值圖，然后丟棄上述的云二值圖，保留上述的海二值圖，至此，云海二值圖和海二值圖的提取過(guò)程結(jié)束。
3.按權(quán)利要求1或2所述的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，其特征在于，第三步中利用腐蝕膨脹的方法獲得云的位置標(biāo)記圖具體包括以下步驟: 步驟31)對(duì)云海二值圖進(jìn)行腐蝕膨脹:對(duì)第二步中得到的云海二值圖先膨脹再進(jìn)行腐蝕，膨脹半徑大于腐蝕半徑，得到膨脹腐蝕后的云海二值圖； 步驟32)對(duì)海二值圖進(jìn)行膨脹:對(duì)得到的海二值圖只膨脹不腐蝕，膨脹半徑選取所述腐蝕半徑，得到膨脹后的海二值圖； 步驟33)做差后得到云的標(biāo)記圖:對(duì)膨脹腐蝕后的兩幅圖，掃描各個(gè)像素點(diǎn)，當(dāng)云海二值圖中標(biāo)記為1，海的二值圖的標(biāo)記也為1，將位置標(biāo)記圖中的這個(gè)位置0，其他位置按照云海二值圖賦值，這時(shí)位置標(biāo)記圖里面標(biāo)記為I的位置被認(rèn)為是云的位置，至此本過(guò)程結(jié)束。
4.按權(quán)利要求1或2所述的基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，其特征在于，第四步中對(duì)待判別圖像中的非云像素進(jìn)行灰度補(bǔ)償具體為: 按照云的位置標(biāo)記圖中標(biāo)記為I的位置逐個(gè)掃描，當(dāng)發(fā)現(xiàn)像素點(diǎn)的灰度小于所述云的自適應(yīng)門限，則認(rèn)為該像素點(diǎn)需要灰度補(bǔ)償，補(bǔ)償方法 是該點(diǎn)像素的灰度和云的自適應(yīng)門限求均值，作為補(bǔ)償后該像素點(diǎn)的灰度。
全文摘要
本發(fā)明公開了一種基于同質(zhì)化處理的光學(xué)遙感圖像非勻質(zhì)云層判別方法，能夠?qū)Ψ莿蛸|(zhì)云中的低亮像素進(jìn)行灰度補(bǔ)償，從而實(shí)現(xiàn)對(duì)非勻質(zhì)云層的判別。第一步計(jì)算云的自適應(yīng)門限；第二步提取兩幅典型二值圖第三步獲得云的位置標(biāo)記圖對(duì)第二步得到的云海二值圖既膨脹又腐蝕，對(duì)海二值圖只進(jìn)行膨脹，然后利用這兩幅圖得到云的位置標(biāo)記圖；第四步對(duì)原圖像進(jìn)行同質(zhì)化處理根據(jù)第三步得到的云的位置標(biāo)記圖，對(duì)非云像素進(jìn)行灰度補(bǔ)償，從而使非勻質(zhì)云變?yōu)閯蛸|(zhì)云；第五步特征提取及歸一化對(duì)第四步同質(zhì)化處理后的圖像提取灰度、紋理和邊緣這些針對(duì)勻質(zhì)厚云提取的特征，然后對(duì)特征進(jìn)行歸一化；第六步利用支持向量機(jī)進(jìn)行判決，至此整個(gè)過(guò)程結(jié)束。
文檔編號(hào)G06K9/62GK103093241SQ20131002447
公開日2013年5月8日 申請(qǐng)日期2013年1月23日 優(yōu)先權(quán)日2013年1月23日
發(fā)明者陳亮, 龍騰, 龐楓騫, 畢福昆 申請(qǐng)人:北京理工大學(xué)