Алгоритм обнаружения облачных объектов на многоспектральных снимках

Автор: Николаева Ольга Васильевна

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 5 т.46, 2022 года.

Бесплатный доступ

Представлен многошаговый алгоритм обнаружения облачных объектов на многоспектральных снимках земной поверхности. На каждом шаге выполняется кластеризация пространственных пикселей многоспектрального снимка методом к-средних и к фрагментам полученных кластеров применяются спектральные критерии облачности / чистого неба. Эта процедура повторяется до тех пор, пока находятся «облачные» пиксели. «Облачные» пиксели, найденные на одном шаге, объединяются в один облачный объект. Представлены результаты тестирования этого алгоритма на снимках прибора HYPERION (199 ненулевых спектральных каналов в спектральном диапазоне 426 нм - 2400 нм) с высоким пространственным разрешением (30 м). Выбраны снимки с частичной облачностью над поверхностями пяти типов: океан, зеленая растительность, пустынная местность, городская застройка и снег. Выполнено сравнение результатов обработки этих снимков представленным алгоритмом и альтернативным алгоритмом, в котором те же спектральные критерии применяются независимо к каждому пространственному пикселю. Представлены средние для каждого облачного объекта спектры. Показано, что представленный алгоритм на каждом снимке находит от 1 до 3 облачных объектов, отвечающих распределению яркостей на соответствующих RGB-изображениях. Применение альтернативного алгоритма (без предварительной кластеризации) приводит к ошибкам обнаружения на краях облаков. Предложено три параметра для оценки качества получаемых облачных масок. Из них выбран наиболее информативный: отношение разброса спектров в «облачных» пикселях к разбросу спектров в «чистых» пикселях (отношение должно быть много меньше 1).

Еще

Обнаружение облаков, многоспектральные снимки, спектральные критерии, показатели качества

Короткий адрес: https://sciup.org/140296227

IDR: 140296227   |   DOI: 10.18287/2412-6179-CO-1076

Список литературы Алгоритм обнаружения облачных объектов на многоспектральных снимках

  • Taylor TE, O'Dell CW, O'Brien DM, Kikuchi N, Yokota T, Nakajima TY, Ishida H, Crisp D, Nakajima T. Comparison of cloud-screening methods applied to GOSAT near-infrared spectra. IEEE Trans Geosci Remote Sens 2012; 50(1): 295-309. DOI: 10.1109/TGRS.2011.2160270.
  • Richter R. Atmospheric correction satellite data with haze removal including a haze/clear transition region. Comput Geosci 1996; 22(6): 675-681. DOI: 10.1016/0098-3004(96)00010-6.
  • Ackerman S, Frey R, Strabala K, Liu Y, Gumley L, Baum B, Menzel P. Discriminating clear-sky from cloud with Modis. Algorithm theoretical basis document (MOD35). Madison: University of Wisconsin; 2010.
  • Hall DK, Riggs GA, Solomonson VA, Barton JS, Casey K, Chien JYL, Digirolamo NE, Klein AG, Powell HW, Tait AB. Algorithm theoretical basis document for the Modis snow and sea ice-mapping algorithms. Madison: University of Wisconsin; 2001.
  • Irish RR, Barker JL, Goward SN, Arvidson T. Characterization of the Landsat-7 ETM+ Automated Cloud-Cover Assessment (ACCA) algorithm. Photogramm Eng Remote Sensing 2006; 72(10): 1179-1188. DOI: 10.14358/PERS.72.10.1179.
  • Griggin M, Burke H, Mandle D, Miller J. Cloud cover detection algorithm for EO-1 Hyperion imagery. Proc IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2003; 1: 86-89. DOI: 10.1109/IGARSS.2003.1293687.
  • Lyapustin A, Wang Y, Frey R. An automatic cloud mask algorithm based on time series of MODIS measurements. J Geophys Res 2008; 113(D16): 207. DOI: 10.1029/2007JD009641.
  • Volkova EV. Automatic estimation of cloud cover and precipitation parameters obtained by AVHRR NOAA for day and night conditions [In Russian]. Current Problems in Remote Sensing of the Earth from Space 2017; 14(5): 300320. DOI: 10.21046/2070-7401-2017-14-5-300-320.
  • Gao BC, Kaufman YJ, Wiscombe W. Removal of thin cirrus path radiances in the 0.4-1.0|m spectral region using the 1.375-|m strong water vapor absorption channel. Summaries of the Seventh JPL Airborne Earth Science Workshop 1998; 1: 121-130.
  • Gómez-Chova L, Camps-Valls G, Calpe-Maravilla J, Guanter L, Moreno J. Cloud-screening algorithm for EN-VISAT/MERIS multispectral images. IEEE Trans Geosci Remote Sens 2007; 45(12): 4105-4118. DOI: 10.1109/TGRS.2007.905312.
  • Thompson DR, Green RO, Keymeulen D, Lundeen SK, Mouradi Y, Nunes D, Castano R, Chien SA. Rapid spectral cloud screening onboard aircraft and spacecraft. IEEE Trans Geosci Remote Sens 2014; 52(11): 6779-6792. DOI: 10.1109/TGRS.2014.2302587.
  • Korolev EE, Kochergin AM, Kuznetsov AE, Pobaruev VI. Automatic segmentation of cloud objects on the high spatial resolution surface image [In Russian]. Modern Problems of Science and Education 2014; 5: 32-36.
  • Trigo IF, Freitas SC, Barroso C, Macedi J. Gio global land component - Lot I "Operation of the global land component". Algorithm Theoretical Basis Document for cloud mask for LST retrieval. Copernicus; 2014.
  • Belov AM, Denisova AY. Scene distortion detection algorithm using multitemporal remote sensing images. Computer Optics 2019; 43(5): 869-885. DOI: 10.18287/24126179-2019-43-5-869-885.
  • Vetrov AA, Kuznetsov AE. Segmentation of cloud objects on panchromatic photos of earth surface [In Russian]. Digit Signal Process 2011; 3: 32-36.
  • Sobolev VV. Light scattering in planetary atmospheres. New York: Pergamon Press; 1975.
  • Martins JV, Tanre D, Remer L, Kaufman Y, Mattoo S, Levy R. Modis cloud screening for remote sensing of aerosols over oceans using spatial variability. Geophys Res Lett 2002; 29(12): 1619-1622. DOI: 10.1029/2001GL013252.
Еще
Статья научная