本發(fā)明屬于但不限于遙感，尤其涉及一種利用分類技術(shù)的基于云掩模的多時相像素除云合成方法及系統(tǒng)。

背景技術(shù)：

1、衛(wèi)星和航空圖像等遙感圖像一直是各種與地球有關(guān)的應(yīng)用和研究中不可或缺的信息來源，包括氣候和土地覆蓋變化分析以及環(huán)境和生態(tài)研究。然而，圖像的質(zhì)量受到幾個因素的影響，包括傳感器的質(zhì)量、太陽角、視角、傳感器之間的距離以及目標(biāo)和大氣條件。在這些因素中，云是最具挑戰(zhàn)性的特征，極大地影響了遙感圖像的質(zhì)量。此外，地球表面各種形式和程度的云的出現(xiàn)加劇了這一問題，特別是在大面積調(diào)查中。盡管地理和季節(jié)不同，但全球月平均云量可達(dá)35％，中歐、中非、南美洲和東南亞是持續(xù)云量的地區(qū)，其中非洲是最容易發(fā)生云量的地區(qū)。一般來說，從薄/透明的云到與陰影相關(guān)的厚云，都會顯著影響圖像的質(zhì)量。

2、云對圖像質(zhì)量的影響也因云的類型和傳感器捕獲圖像所采用的波長/波段而異。厚云會完全阻擋來自源的輻射和/或反射回光學(xué)傳感器的輻射的入射，而薄/透明云會減少入射輻射的量并污染物體的實際反射率值，從而導(dǎo)致不正確的值。特別是，可見光、近紅外(nir)和中紅外(mir)范圍內(nèi)的電磁波譜是最敏感的區(qū)域；而較長波長的部分，如熱紅外和卷云，受云層的影響相對較小。相反，主動傳感器的合成孔徑雷達(dá)(sar)波段不受云層的影響，可以很容易地穿過云層。

3、已經(jīng)開發(fā)并實施了各種云屏蔽和去除方法。一些專門針對某些云類型，如薄云或厚云去除，而另一些則提出了一種統(tǒng)一的方法，旨在解決這兩種類型的問題。這些方法可以根據(jù)用于重建缺失信息的模型和機(jī)制大致分為傳統(tǒng)和先進(jìn)的深度學(xué)習(xí)方法?；谝父C信息類型和使用的假設(shè)，傳統(tǒng)技術(shù)也可分為三種：空間、光譜和多時相。

4、基于污染區(qū)域和無云相鄰像素具有相似屬性的概念，空間信息云去除方法利用來自相鄰無云區(qū)域的信息來替換云像素。雖然該假設(shè)適用于清潔小渾濁區(qū)域，特別是在單張圖像中，但在大的陰天和/或土地覆蓋不均勻的地區(qū)，在小距離內(nèi)發(fā)生變化的情況下是無效的。

5、另一方面，基于光譜的方法使用相同區(qū)域和時間的其他未受影響的光譜信息/波段恢復(fù)圖像中丟失/污染的信息。雖然該技術(shù)可用于薄云覆蓋篩查，但在所有多光譜頻道都受到云的影響的情況下，特別是云層較厚，或者受污染波段和未受影響的波段之間沒有光譜波段相關(guān)性出口時，它無法獲得令人滿意的結(jié)果。然而，多時相方法利用在特定時間內(nèi)收集的信息來重建缺失的數(shù)據(jù)，其概念是目標(biāo)特征在指定時間內(nèi)沒有表現(xiàn)出顯著的光譜或物候變化。如果高時間分辨率、足夠的無云時間序列數(shù)據(jù)可用，該技術(shù)可以有效地應(yīng)用。

6、最近，深度學(xué)習(xí)(dl)技術(shù)，特別是生成對抗網(wǎng)絡(luò)(gan)方法，已廣泛應(yīng)用于云以及相關(guān)的陰影識別和去除中，并取得了最先進(jìn)的結(jié)果。但是，這些技術(shù)存在一些影響其靈活性的明顯限制。這些技術(shù)中的大多數(shù)需要整合輔助數(shù)據(jù)，例如sar，這會導(dǎo)致偏差或?qū)е螺敵瞿：?，有些技術(shù)使用紅外波段，這在厚重的多云條件下也很難獲得未受污染的像素。此外，大多數(shù)使用sar波段的dl技術(shù)旨在從單光譜或多光譜圖像(rgb圖像)中去除厚云，同時忽略受厚云污染的圖像的多時間固有特征。此外，這些技術(shù)需要云掩碼，這取決于云檢測算法的效率，該算法大多是特定于數(shù)據(jù)的，仍然遠(yuǎn)非準(zhǔn)確。此外，dl模型特定于某些數(shù)據(jù)類型、云條件和空間范圍，這些數(shù)據(jù)類型、云條件和空間范圍限制了它們的泛化性，并且容易出現(xiàn)過度擬合，或者如果訓(xùn)練樣本不足，則會欠擬合。因此，考慮一種可以解決上述局限性的替代云清除方法至關(guān)重要，特別是對于涉及具有連續(xù)云覆蓋的大面積的研究。在這方面，基于像素的合成技術(shù)是最佳選擇。不僅因為與dl方法相比，它相對簡單且不那么復(fù)雜，還因為它可以產(chǎn)生最佳結(jié)果。

7、在一段時間內(nèi)對圖像進(jìn)行基于像素的多時效合成是去除云和相關(guān)陰影的最常用和最有效的機(jī)制之一，特別是對于由高時間分辨率傳感器捕獲的中等粗分辨率圖像。除了消除或減少云、噪聲和偽影外，該技術(shù)還通過從可用的時間序列數(shù)據(jù)中選擇最佳像素來替換場景中的污染區(qū)域，從而幫助減小數(shù)據(jù)量。該技術(shù)是重建丟失信息的經(jīng)典方法之一，基本上適用于重訪周期較長的儀器，而與面面積無關(guān)。到目前為止，已經(jīng)提出了幾種采用單一、多重或光譜相似性標(biāo)準(zhǔn)的堆肥法。基于單一規(guī)則的方法使用單一標(biāo)準(zhǔn)，例如最大歸一化差值植被指數(shù)(max-ndvi)、中位nir波段(med-nir)、weld的最大ndvi或最大亮溫(bt)(啟用web的landsat數(shù)據(jù))以及近紅外(nir)與藍(lán)色波段的最大比率(max-rnb)。另一方面，最佳可用像素(bap)、物候自適應(yīng)合成(pac)、加權(quán)參數(shù)評分(wps)、中心點測量(medoid)和國家土地覆蓋數(shù)據(jù)庫(nlcd)算法利用多個標(biāo)準(zhǔn)來選擇最佳像素，而余弦相似度(cossim和光譜相似性)則采用光譜相似性。

8、盡管這些方法可以產(chǎn)生高質(zhì)量的復(fù)合產(chǎn)品，但它們的效率取決于云遮罩、合成標(biāo)準(zhǔn)和周期的有效性。因此，沒有一種最佳復(fù)合方法優(yōu)于所有其他方法。此外，大多數(shù)合成技術(shù)都特定于某些類型的傳感器，采用為它們生成的特定云掩碼。例如，bap、pac、max-rnb、wps、medoid和nlcd是使用landsat影像開發(fā)的，而云掩膜是使用掩碼函數(shù)(fmask)算法生成的，該算法在識別薄云和云邊緣以及陰影方面有其自身的局限性。在fmask算法開發(fā)之前，監(jiān)督分類方法，特別是決策樹算法被應(yīng)用于為landsat圖像合成創(chuàng)建云掩碼。另一方面，低分辨率和中分辨率方案，如高級甚高分辨率輻射計(avhrr)和中分辨率成像光譜輻射計(modis)云掩蔽算法，在各種光譜波段上采用閾值機(jī)制來生成復(fù)合產(chǎn)品。然而，閾值方法從來都不是全局的，因為這種委托和/或遺漏誤差很常見，特別是在閾值限制附近，云檢測的置信度很低。

9、鑒于上述分析，現(xiàn)有技術(shù)存在的急需解決的技術(shù)問題為：

10、受云移除和基于像素的合成方法的現(xiàn)有局限性的啟發(fā)，本質(zhì)上與高時間分辨率傳感器的大空間范圍和多時間數(shù)據(jù)有關(guān)，亟需一種新的基于單一規(guī)則的合成方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種利用分類技術(shù)的基于云掩模的多時相像素除云合成方法及系統(tǒng)。

2、本發(fā)明是這樣實現(xiàn)的，一種利用分類技術(shù)的基于云掩模的多時相像素除云合成方法，其特征在于，利用分類技術(shù)的基于云掩模的多時相像素除云合成方法，該方法具體包括：

3、s1：使用svm和u-net對所有日常圖像進(jìn)行分類，并生成兩組分類柵格；

4、s2：將分類后的柵格轉(zhuǎn)換為云掩碼圖層；

5、s3：使用遮罩層每天遮罩相應(yīng)的modis；

6、s3：使用最大值方法產(chǎn)生最佳復(fù)合產(chǎn)品。

7、進(jìn)一步，所述s2，通過將云和無數(shù)據(jù)像素的值映射到-0.999999來將分類后的柵格轉(zhuǎn)換為云掩碼圖層。

8、進(jìn)一步，所述s3，通過使用python中的特殊函數(shù)'np.where'，使用遮罩層每天遮罩相應(yīng)的modis，如果像素被遮罩掉，則生成的遮罩圖像具有-0.999999像素的值，表示混濁/無數(shù)據(jù)值，否則像素保持其實際反射率值。

9、進(jìn)一步，所述s4，生成了兩組最大值復(fù)合產(chǎn)品maxcomp-1和maxcomp-2，分別與使用svm和u-net模型生成的兩組云掩碼層相關(guān)聯(lián)。

10、本發(fā)明另一目的在于提供一種利用分類技術(shù)的基于云掩模的多時相像素除云合成系統(tǒng)，該系統(tǒng)具體包括：

11、輸入模塊，用于采集輸入數(shù)據(jù)、劃分訓(xùn)練集和測試集、選擇模型；

12、處理模塊，用于生成16天復(fù)合產(chǎn)品；

13、評估模塊，用于評估產(chǎn)品性能。

14、結(jié)合上述的技術(shù)方案和解決的技術(shù)問題，本發(fā)明所要保護(hù)的技術(shù)方案所具備的優(yōu)點及積極效果為：

15、第一、本發(fā)明的產(chǎn)品在rf、svm和u-net三個分類器中產(chǎn)生了最佳的分類精度，證明了本發(fā)明在去除云、噪聲和/或污染像素方面的有效性。

16、本發(fā)明提供的基于云掩模的多時相像素除云合成方法，通過利用分類技術(shù)和多時相數(shù)據(jù)處理技術(shù)，解決了現(xiàn)有技術(shù)中的多項關(guān)鍵問題，并在產(chǎn)業(yè)應(yīng)用中取得了顯著的技術(shù)進(jìn)步。

17、1.解決的技術(shù)問題：

18、云層干擾導(dǎo)致的圖像質(zhì)量下降：在衛(wèi)星遙感圖像中，云層常常覆蓋地表，影響地表信息的獲取，傳統(tǒng)的圖像處理方法難以有效消除云層對觀測結(jié)果的干擾。本發(fā)明通過引入svm和u-net分類技術(shù)，精確識別和分類云層區(qū)域，并生成云掩碼，成功解決了云層干擾問題，提高了圖像的清晰度和準(zhǔn)確性。

19、多時相圖像處理的效率問題：傳統(tǒng)方法在處理多時相衛(wèi)星圖像時，往往面臨處理效率低、數(shù)據(jù)量大、計算復(fù)雜度高等問題。本發(fā)明通過結(jié)合多時相數(shù)據(jù)與最大值合成方法，有效簡化了圖像處理流程，降低了計算成本，提高了處理效率，能夠快速生成高質(zhì)量的無云復(fù)合圖像。

20、對云影和噪聲的消除不夠徹底：在現(xiàn)有技術(shù)中，盡管可以在一定程度上消除云層，但往往仍存在云影和噪聲干擾，影響最終圖像的質(zhì)量。本發(fā)明通過利用最大值合成方法，有效去除了多時相圖像中的云影和噪聲，使得最終生成的復(fù)合圖像更加清晰和可靠。

21、2.得到的顯著技術(shù)進(jìn)步：

22、分類技術(shù)的創(chuàng)新應(yīng)用：本發(fā)明創(chuàng)新性地將svm和u-net分類技術(shù)結(jié)合使用，既利用svm的精確分類能力，又利用u-net的深度學(xué)習(xí)能力，實現(xiàn)了對云層區(qū)域的高精度識別和分割。通過這種創(chuàng)新應(yīng)用，本發(fā)明顯著提高了云掩碼的生成精度，為后續(xù)的除云處理提供了堅實基礎(chǔ)。

23、多時相圖像的高效融合：本發(fā)明提出的最大值合成方法，通過在多時相圖像中選擇像素值最大的進(jìn)行融合，有效避免了云層的影響，確保了復(fù)合圖像的無云效果。這一方法在提高圖像清晰度的同時，顯著提升了處理效率，特別適用于大規(guī)模遙感數(shù)據(jù)的快速處理。

24、廣泛的產(chǎn)業(yè)應(yīng)用前景：本發(fā)明的方法不僅適用于常規(guī)的遙感圖像處理，還可以應(yīng)用于農(nóng)業(yè)監(jiān)測、環(huán)境保護(hù)、城市規(guī)劃等多個領(lǐng)域。通過提供高質(zhì)量的無云圖像，本發(fā)明能夠支持更加精準(zhǔn)的地表分析和決策，為相關(guān)產(chǎn)業(yè)提供重要的數(shù)據(jù)支持，具有廣泛的應(yīng)用前景。

25、顯著的處理精度和可靠性提升：通過云掩碼的精確生成與最大值合成方法的結(jié)合，本發(fā)明顯著提升了多時相圖像的處理精度和可靠性。與現(xiàn)有技術(shù)相比，本發(fā)明能夠在更復(fù)雜的環(huán)境條件下生成高質(zhì)量的復(fù)合圖像，滿足了產(chǎn)業(yè)界對高精度遙感數(shù)據(jù)的需求。

26、綜上所述，本發(fā)明在多時相遙感圖像的除云處理領(lǐng)域取得了顯著的技術(shù)進(jìn)步，成功解決了云層干擾、處理效率低和噪聲消除不徹底等現(xiàn)有技術(shù)中的難題，為產(chǎn)業(yè)應(yīng)用提供了更為先進(jìn)和有效的技術(shù)手段。

27、第二，當(dāng)前的云和相關(guān)陰影是遙感圖像處理中的主要挑戰(zhàn)，嚴(yán)重影響了遙感圖像的質(zhì)量，而這些圖像在氣候、土地覆蓋變化分析、環(huán)境和生態(tài)研究等領(lǐng)域的應(yīng)用至關(guān)重要。盡管已經(jīng)開發(fā)了多種云去除方法，但它們?nèi)匀幻媾R一些局限性。

28、1)現(xiàn)有云去除方法的局限性

29、特定云類型的去除：很多現(xiàn)有的云去除方法只適用于特定類型的云。例如，有些方法專門針對薄云或厚云，但在處理其他類型的云層時效果不佳。

30、特定圖像或傳感器的依賴：現(xiàn)有的大多數(shù)云去除方法是針對某些特定類型的圖像或傳感器開發(fā)的，例如landsat圖像或modis圖像。這使得這些方法在不同傳感器間的適用性較差。

31、需要輔助數(shù)據(jù)：有些技術(shù)需要使用額外的輔助數(shù)據(jù)來恢復(fù)被云遮擋的像素，這增加了應(yīng)用復(fù)雜性。

32、fmask算法的局限性：盡管fmask算法在云檢測中得到了廣泛應(yīng)用，但在檢測薄云、云邊緣和陰影方面仍存在一定的局限性，尤其是在閾值限制附近，云檢測的置信度較低。

33、2)現(xiàn)有合成技術(shù)的局限性

34、特定于傳感器的技術(shù)：目前的大多數(shù)合成技術(shù)都是基于特定類型的傳感器。例如，bap、pac、max-rnb等技術(shù)依賴于landsat圖像，并采用fmask算法生成云掩模，其他傳感器的數(shù)據(jù)則不適用。

35、決策樹方法的限制：在fmask算法之前，監(jiān)督分類方法(如決策樹)被用于生成云掩模，但這些方法在使用合成機(jī)制時，往往會受限于特定類型的圖像和傳感器。

36、基于閾值的云檢測：中低分辨率圖像(如avhrr和modis)通常依賴于光譜帶閾值機(jī)制來檢測云層。然而，閾值方法并不具有全局適用性，在靠近閾值時經(jīng)常出現(xiàn)誤判或遺漏問題。

37、3)本發(fā)明的創(chuàng)新點

38、針對上述現(xiàn)有技術(shù)的局限性，我們提出了一種基于分類技術(shù)和云掩模的多時相像素除云合成方法。該方法不僅靈活、簡單且不需要輔助數(shù)據(jù)，還具有以下顯著特點：

39、通用性強(qiáng)：本發(fā)明的合成技術(shù)不依賴于特定的傳感器類型、空間范圍、數(shù)據(jù)量或云類型，適用于各種高分辨率遙感圖像。

40、高質(zhì)量復(fù)合影像：通過分類技術(shù)生成云掩模，并采用最大值合成算法，能夠從每個波段中選擇反射率最高的像素，生成無云、無噪聲的高質(zhì)量復(fù)合影像。

41、有效去除云、陰影和噪音：我們的方法不僅能夠有效地去除云層，還能同時去除相關(guān)陰影和噪音，提升影像質(zhì)量。

42、無需輔助數(shù)據(jù)：與其他方法相比，我們的算法不需要使用額外的輔助數(shù)據(jù)，這大大簡化了操作過程。

43、4)最大值合成算法

44、與傳統(tǒng)方法的不同：傳統(tǒng)的最大化合成(mvc)算法通常依賴于最大ndvi值來選擇最佳像素，而我們的算法通過選擇反射率最高的像素來生成最佳復(fù)合影像，避免了云層、噪聲和污染像素的干擾。

45、更高的云檢測和去除精度：相比fmask算法和基于閾值的方法，本發(fā)明采用svm與u-net分類技術(shù)，更精準(zhǔn)地識別云層，并通過合成過程去除云層和相關(guān)的陰影與噪音。

46、本發(fā)明的技術(shù)方案通過引入基于云掩模的像素級合成技術(shù)，解決了多時相遙感圖像處理過程中云層干擾的問題，實現(xiàn)了高效、無云的遙感影像合成，在氣候變化監(jiān)測、生態(tài)研究等領(lǐng)域具有廣泛的應(yīng)用前景。第三，本發(fā)明的技術(shù)方案在產(chǎn)業(yè)應(yīng)用中解決了現(xiàn)有技術(shù)中的多時相遙感圖像處理過程中，云層干擾導(dǎo)致地表信息丟失的技術(shù)問題，并取得了顯著的技術(shù)進(jìn)步?，F(xiàn)有的多時相圖像合成方法在處理云層遮擋時，往往無法精確識別云層區(qū)域，導(dǎo)致地表信息被掩蓋，影響了后續(xù)的地表變化分析和監(jiān)測。而本發(fā)明通過結(jié)合支持向量機(jī)(svm)與u-net網(wǎng)絡(luò)的分類技術(shù)，有效識別和分類云層區(qū)域，并生成精確的云掩碼，從而大幅提高了云層檢測的準(zhǔn)確性。

47、此外，現(xiàn)有技術(shù)在云遮罩過程中容易導(dǎo)致影像質(zhì)量降低，尤其是當(dāng)多時相影像中的云層密集時，合成的影像信息丟失較多。本發(fā)明通過創(chuàng)新的多時相云遮罩與最大值合成技術(shù)，能夠從多時相圖像中篩選出最佳像素值，從而生成無云的最佳復(fù)合影像。該方法不僅有效地去除了云層干擾，還最大程度保留了地表細(xì)節(jié)信息，提高了影像的質(zhì)量和數(shù)據(jù)的利用率。

48、顯著的技術(shù)進(jìn)步體現(xiàn)在：

49、1)提高云檢測精度：通過結(jié)合svm和u-net的深度學(xué)習(xí)模型，本發(fā)明能夠?qū)崿F(xiàn)更精準(zhǔn)的云層檢測與分類，減少誤分類和漏分類的情況，確保生成的云掩碼圖層更加可靠。

50、2)優(yōu)化數(shù)據(jù)合成效果：采用最大值合成方法，通過選擇每個像素的最佳值，生成的復(fù)合影像清晰度更高，去云效果更好，有效提升了影像的實用性。

51、3)增強(qiáng)數(shù)據(jù)適用性：本發(fā)明的方法適用于不同類型的遙感數(shù)據(jù)，尤其是modis數(shù)據(jù)，在廣泛的遙感監(jiān)測與分析應(yīng)用中，具有較高的靈活性和應(yīng)用前景。

52、4)減少數(shù)據(jù)損失：與傳統(tǒng)方法相比，本發(fā)明在去除云層干擾的同時，保留了更多的地表信息，顯著提高了影像的完整性和質(zhì)量。

53、因此，本發(fā)明在遙感影像處理中解決了云層干擾問題的同時，提升了影像合成的精度和效率，在實際應(yīng)用中具有重要的技術(shù)價值和產(chǎn)業(yè)推廣前景。