光学遥感图像厚云检测与去除方法研究-测绘科学与技术专业论文.docxVIP

万方数据 万方数据 研究生学位论文独创性声明和版权使用授权书 独创性声明 :本人声明:所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果 。 据我所知，除了文巾特别加以标注和致谢的地方外，论文巾不包含他人已 经发表或撰写 过的研究成果，也不包含为获得其它教育机构的学位或证书而使用过的材料 。对论文的 完成提供过帮助的有关人员己在论文中 作了明确的说明并表示谢意。 学位论文作者(签字) : l 主 签字日期: :)ot[. );‘》。 学位论文版权使用授权书 本学位论文作者完全了解(学校 )有关保留、使用学位论文 的规定， 有权保留并向国 家有关部 门或机构送交论文的印刷本和电子版本 ，允许论文被查阅和借阅。本人授权 (学 校)可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印 或扫描等复制手段保存、汇编学位论文。同时授权中国科学技术信息研究所将本学位论 文收录到《中国学位论文全文数据库) ，并通过网络向社会公众提供信息服务。(保密 的学位论文在解密后适用本授权书) 本论文是否保密 : 是 寻/ 如需保密，保密期限为: 学位论文作者签名: ..:L等 导师签字:今多桃 意马Jt 签字日期 :2-cf 年 );月 UJ 日 签字日期: z，otJ年 :ì， 月 μ 日 摘 摘 要 遥感数据出现厚云遮挡地物是图像预处理中最常遇到的一种情况，它不仅影 响了遥感图像数据的成像质量，而且还在一定程度上降低了地物解译和判读的准 确性。因此，探讨如何有效地检测并去除厚云是遥感图像预处理阶段中重要的任 务之一，这对提高遥感数据的有效使用有着十分重要的意义。 本文在分析人工神经网络（ANN）与支持向量机（SVM）算法原理的基础 上，对厚云的检测与去除方法进行研究。分别利用 SVM 的改进方法最小二乘支 持向量机（LS-SVM）进行云检测、使用人工神经网络做云去除处理。主要研究 内容和成果包括以下几个方面： 1．分析光学遥感影像中云检测与去除的研究背景和研究意义，总结了国内 外学者对云检测和云去除两个方面的研究现状。 2．研究支持向量机和人工神经网络两种模式识别的计算原理和推导过程。 另外，根据经典支持向量机存在的不足，指出最小二乘支持向量机对 SVM 的改 进算法。同时总结了 LS-SVM 和 BP 神经网络在遥感图像中的应用情况。 3．研究了遥感图像厚云及其阴影的检测原理和实现方法。最优云变换法 （HOT）在厚云边界的半透明区域具有非常好的检测效果，但对高亮体（如干燥 裸地、沙漠、雪、建筑物等）却不敏感。针对这一问题，本文提出一种基于 LS-SVM 的云检测方法：首先利用 HOT 算法突出云区信息并抑制下垫面地物的光谱，初 步阈 值分 割云区 像元；然 后提 取高亮 体的 分界 样本点 作为 支持向 量， 利用 LS-SVM 检测高亮体；最后在 HOT 云检测结果中剔除高亮体像元，得到只含有 云像元的检测图。实验结果证明，该方法的检测精度以及适用性相对于原有 HOT 法有所提高。 4．研究了遥感图像厚云及其阴影的去除原理和实现方法。针对多时相影像 间光谱信息存在非线性关系问题，提出一种基于人工神经网络的光谱差异消除 法。根据地物类别提取样本点，以样本点特征为依据进行人工神经网络模拟，再 将整幅参考影像的像元灰度值作为预测数据输入模拟好的神经网络，最终输出与 目标影像光谱特征相近的图像，从而对云区与阴影像元进行补偿修复。与其他方 法的实验结果相比，神经网络的光谱匹配图像与原图最为接近，云区修复效果较 好。 关键词：最小二乘支持向量机，人工神经网络，特征提取，厚云检测，厚云去除 I A Abstract Optical remote sensing often encounter some problems that parts of object information are easy to be covered by thick clouds, the thick clouds are not only effect the image quality, but also reduce the interpretation accuracy to a large extent. So how to repair a remote sensing data is one of the necessary steps in image pretreatment, meanwhile, removing the thick clouds has important significance for improving the usage of remote sensing data. Based