【技术实现步骤摘要】
本专利技术涉及一种考虑潜在低秩特征的薄云厚度图优化方法，属于遥感影像处理。
技术介绍
1、光学遥感卫星对地观测是个复杂的过程，极易受到大气环境的影响，从而降低卫星遥感影像的质量，极大地限制了遥感数据后续应用，如植被指数，土地利用及制图等。在众多大气因素中，云污染是最为常见的且不可避免的影响因素。在光学上，云可以简单的分为薄云和厚云，其中厚云指卫星无法透过其获取地面信息，从而导致在遥感影像中出现地面信息丢失的情况。而薄云具有半透明的性质，从光学角度可以透过其观察到部分地表信息，导致影像的饱和度和可视度有所降低，且辐射值会发生变化。因此，为了提高光学遥感影像的整体质量，需要对受到薄云污染的光学遥感影像进行校正，从而恢复遥感影像的辐射值。
2、近年来，为了校正受薄云影响的降质影像，很多单幅遥感影像薄云去除方法被提出，可以分为传统数理模型方法和基于深度学习的方法。传统数理模型方法可简单地分为基于特征提取的方法，基于先验假设的方法，基于卷云波段辅助的方法。其中，基于特征提取的方法中，对于样本的选取具有较高的要求，如果样本选取不当，如样本数据中的地表类型不具有代表性，可能会出现薄云校正不彻底和光谱畸变的问题。在先验假设的方法中，最具代表性的为暗像元消减法（dos）和暗通道方法（dcp）。其中，dos方法容易受到高亮地表的影像，使得估计出的云图不够准确。而dcp方法被广泛应用于自然影像中的去雾，且只适用于匀质的薄云。而基于卷云波段辅助的方法则是利用卫星搭载的卷云波段，依靠统计关系求解卷云波段与可见光-近红外波段间反射率的线性关系或
3、无论是传统数理模型方法，亦或是基于深度学习的方法，它们本质上是通过模型准确地从受薄云污染的影像中，估计出薄云厚度及其反射率强度，然后利用影像成像模型以及波段间关系，消除每个波段中的薄云。因此，在消除薄云技术中，是否能够准确地估计出薄云厚度是至关重要的任务，直接影响遥感影像校正精度及校正结果。
技术实现思路
1、本专利技术的目的是提供一种考虑潜在低秩特征的薄云厚度图优化方法，将遥感影像中的薄云、建筑区分布与低秩稀疏理论相结合，构建薄云图潜在低秩表示模型，提出一种新型的建筑区指数，有效地抑制建筑区对薄云图的影响，可在不同时间、光照及空间等因素下对受薄云影响的影像，进行针对性的薄云图优化，解决现有技术中存在的薄云厚度估计结果鲁棒性差及精度低问题，为遥感影像的薄云校正以及薄云厚度估计提供精确而鲁棒的技术支撑。
2、为解决上述技术问题，本专利技术是采用下述技术方案实现的。
3、一种考虑潜在低秩特征的薄云厚度图优化方法，包括：
4、步骤1：读取多光谱遥感薄云影像；
5、步骤2：根据影像中多个波段的反射率数据估计出初始薄云图；其中，多个波段包括：海岸气溶胶波段、蓝色波段、绿色波段、红色波段、近红外波段以及两个短波红外波段；
6、步骤3：利用优化的薄云图潜在低秩表示模型对所述初始薄云图进行特征加权处理，获得低秩优化云图；
7、步骤4：根据多个波段的反射率数据，计算得到建筑区索引图和水体索引图；
8、步骤5：根据建筑区索引图和水体索引图，计算得到非水体建筑区分布索引图；
9、步骤6：基于所述非水体建筑区分布索引图，生成自适应调整建筑区分布指数权重的权重抑制矩阵；
10、步骤7：根据权重抑制矩阵对低秩优化云图进行权重抑制处理，获得降低高亮建筑区的云图；
11、步骤8：对降低高亮建筑区的云图进行优化处理，获得最终优化薄云图。
12、可选的，步骤2中根据影像中多个波段的反射率数据估计出初始薄云图，包括：
13、获取海岸气溶胶波段、蓝色波段、绿色波段、红色波段、近红外波段以及两个短波红外波段的反射率数据，并提取影像中无云区域海岸气溶胶波段和蓝色波段的像元作为线性拟合的样本数据，以及将其它波段作为线性拟合的观测量，获得无云区样本数据的线性拟合关系；
14、基于样本数据的线性拟合关系采用m-估计方法，获得海岸气溶胶波段和蓝色波段两个波段反射率的线性关系；
15、根据海岸气溶胶波段和蓝色波段的线性关系和反射率进行波段合成，获得易受薄云影响的合成波段；
16、基于暗像元查找方法处理所述易受薄云影响的合成波段，识别出合成波段图像的局部窗口的暗像元；
17、根据双三次插值方法对局部窗口的暗像元进行重采样，生成初始薄云图；
18、其中，获得易受薄云影响的合成波段的表达式为：
19、（1）；
20、式中，为合成波段，和分别为海岸气溶胶波段和蓝色波段两个波段的反射率，和为无云区样本数据利用m-估计方法获得的线性关系系数。
21、可选的，薄云图潜在低秩表示模型的优化方法包括：
22、对初始薄云图进行低秩特性分析，获得初始薄云图的基本特征项和显著特征项；以及分析出初始薄云图中稀疏的地表噪声信息；
23、基于初始薄云图的基本特征项和显著特征项与稀疏的地表噪声信息，构建低秩薄云图信息和稀疏地表信息的关系模型；
24、根据低秩薄云图信息和稀疏地表信息的关系模型，设定特征的凸优化问题；
25、采用增广拉格朗日算法构建求解凸优化问题的最小化优化函数；
26、分别对凸优化问题的最小化优化函数的多个变量进行迭代，直至获得满足收敛条件时停止迭代，获得优化的薄云图潜在低秩表示模型；
27、其中，构建低秩薄云图信息和稀疏地表信息的关系模型的表达式为：
28、（2）；
29、式中，为初始薄云图，为基本特征系数，为基本特征项，为显著特征系数，为显著特征项，为噪声项，为核范数，被用于表示的低秩性，为范数，被用于表示稀疏性，为正则化参数，取值范围[0,1]；
30、构建求解凸优化问题的最小化优化函数的表达式为：
31、（3）；
32、式中，和分别为基本特征项和显著特征项的低秩分解结果，，和分别为噪声项、基本特征项和显著特项的拉格朗日算子，为矩阵的迹，为矩阵的f-范数，为惩罚参数，。
33、可本文档来自技高网...
【技术保护点】
1.一种考虑潜在低秩特征的薄云厚度图优化方法，其特征是，包括：
2.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，根据影像中多个波段的反射率数据估计出初始薄云图，包括：
3.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，薄云图潜在低秩表示模型的优化方法包括：
4.根据权利要求3所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，分别对凸优化问题的最小化优化函数的多个变量进行迭代，直至获得满足收敛条件时停止迭代，包括：
5.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，利用优化的薄云图潜在低秩表示模型对所述初始薄云图进行特征加权处理，获得低秩优化云图，包括：
6.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，根据多个波段的反射率数据，计算得到建筑区索引图和水体索引图，包括：
7.根据权利要求6所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，根据建筑区索引图和水体索引图，计算得到非水体建筑区分布索引图，包括：
<...【技术特征摘要】
1.一种考虑潜在低秩特征的薄云厚度图优化方法，其特征是，包括：
2.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，根据影像中多个波段的反射率数据估计出初始薄云图，包括：
3.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，薄云图潜在低秩表示模型的优化方法包括：
4.根据权利要求3所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，分别对凸优化问题的最小化优化函数的多个变量进行迭代，直至获得满足收敛条件时停止迭代，包括：
5.根据权利要求1所述的考虑潜在低秩特征的薄云厚度图优化方法，其特征是，利用优化的薄云图潜在低秩表示模型对所述初始薄云图进行特征加权处理，获得低秩优化云图，包括：
6.根据权利要求1所述的考虑潜在低秩特征的薄云...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。