基于机器学习的夜间图像处理方法及系统与流程

本申请涉及卫星图像云检测，尤其涉及一种基于机器学习的夜间图像处理方法及系统。

背景技术：

1、相关技术中，发展卫星图像的云检测技术，是判别遥感图像观测信息缺失程度以及遥感图像进一步利用的关键。云层覆盖了地球表面约67%的面积，其中，约55%的云层覆盖了陆地，约72%的云层覆盖了海洋。云层的存在会阻挡阳光，云层覆盖的程度会对辐射的传输和地球的能量平衡产生不同的影响，此外，云层会影响卫星传感器获取大气和地表参数的过程，导致遥感数据的利用率下降。利用云检测技术能够判别遥感图像观测信息缺失程度，为遥感图像进一步利用奠定基础。

2、相关技术中，基于频谱阈值的方法和基于机器学习的方法是卫星图像云检测的主要技术。但是，由于基于频谱阈值算法通常是为特定传感器量身定制的，这意味着云检测阈值可能因不同传感器而异，因此，该算法缺乏通用性。

3、为了解决上述通用性问题，引入了基于机器学习的卫星图像云检测方法。该方法集成了光谱、纹理和结构特征，能够实现高精度的云检测，由于其强大的信息提取能力和非线性建模，它可以更大程度地挖掘有限的信道信息，实现更高精度的云检测。其中，可见光到近红外（0.38-3μm，vnir）波段中云与典型地表特征之间的反射特性存在显著差异，这使得这些波段对于云检测至关重要，是卫星传感器进行云检测的主要通道。然而，在夜间，由于缺少vnir波段，因此，采用传统的机器学习方法进行云检测，会导致云检测结果精度较低。

技术实现思路

1、为解决相关技术问题，本申请实施例提供一种基于机器学习的夜间图像处理方法及系统，能够提高夜间卫星图像的云检测精度。

2、本申请实施例的技术方案是这样实现的：

3、本申请实施例提供了一种基于机器学习的夜间图像处理方法，所述方法包括：

4、基于卫星传感器支持的至少一种云检测识别波段的辐射信息，从所述至少一种云检测波段中确定白天和夜间所述卫星传感器的辐射特性相同的波段，得到目标波段；

5、获取白天在所述目标波段下采集的第一图像，构建样本集；

6、基于所述样本集，构建云检测模型；

7、利用所述云检测模型对第二图像进行云检测；所述第二图像为所述卫星传感器夜晚在所述目标波段下采集的图像。

8、上述方案中，所述云检测波段包括以下之一：

9、可见光到近红外波段；

10、中红外波段；

11、长波红外波段。

12、上述方案中，所述基于卫星传感器支持的至少一种云检测识别波段的辐射信息，从所述至少一种云检测波段中确定白天和夜间所述卫星传感器的辐射特性相同的波段，得到目标波段，包括：

13、基于辐射传输理论，计算卫星传感器支持的至少一种云检测识别波段中每个波段接收的总辐射量；

14、基于每个波段的总辐射量，从所述至少一种云检测波段中确定白天和夜间所述卫星传感器的辐射特性相同的波段，得到目标波段。

15、上述方案中，所述目标波段为长波红外波段。

16、上述方案中，所述基于所述样本集，构建云检测模型，包括：

17、从至少一种第一模型中确定第二模型；所述第一模型为机器学习模型 ；

18、利用所述样本集对所述第二模型进行训练，得到云检测模型。

19、上述方案中，所述从至少一种第一模型中确定第二模型，包括：

20、基于每个第一模型云检测结果的准确度，从所述至少一种第一模型中确定第二模型。

21、上述方案中，所述至少一种机器学习模型包括fcnn机器学习模型、lgb机器学习模型、xgboost机器学习模型和rf机器学习模型。

22、上述方案中，所述云检测模型为lgb机器学习模型。

23、本申请实施例还提供一种基于机器学习的夜间图像处理系统，所述系统包括：

24、计算单元，用于基于卫星传感器支持的至少一种云检测识别波段的辐射信息，从所述至少一种云检测波段中确定白天和夜间所述卫星传感器的辐射特性相同的波段，得到目标波段；

25、样本构建单元，用于获取白天在所述目标波段下采集的第一图像，构建样本集；

26、训练单元，用于基于所述样本集，构建云检测模型；

27、云检测单元，用于利用所述云检测模型对第二图像进行云检测；所述第二图像为所述卫星传感器夜晚在所述目标波段下采集的图像。

28、上述方案中，所述目标波段为长波红外波段。

29、本申请实施例提供的基于机器学习的夜间图像处理方法及系统，通过将含有云检测识别波段的白天时段的卫星影像作为高质量样本数据，并利用白天样本中与夜间辐射能量来源相同的波段辐射信息作为训练样本，训练可用于夜间云检测的机器学习模型，从而提高了夜间图像云检测的精度。

技术特征：

1.一种基于机器学习的夜间图像处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述云检测波段包括以下之一：

3.根据权利要求2所述的方法，其特征在于，所述基于卫星传感器支持的至少一种云检测识别波段的辐射信息，从所述至少一种云检测波段中确定白天和夜间所述卫星传感器的辐射特性相同的波段，得到目标波段，包括：

4.根据权利要求3所述的方法，其特征在于，所述目标波段为长波红外波段。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述基于所述样本集，构建云检测模型，包括：

6.根据权利要求5所述的方法，其特征在于，所述从至少一种第一模型中确定第二模型，包括：

7.根据权利要求5所述的方法，其特征在于，所述至少一种机器学习模型包括fcnn机器学习模型、lgb机器学习模型、xgboost机器学习模型和rf机器学习模型。

8.根据权利要求7所述的方法，其特征在于，所述云检测模型为lgb机器学习模型。

9.一种基于机器学习的夜间图像处理系统，其特征在于，所述系统包括：

10.根据权利要求9所述的系统，其特征在于，所述计算单元，具体用于：

技术总结
本申请公开了一种基于机器学习的夜间图像处理方法及系统，涉及卫星图像云检测技术领域；其中，方法包括：基于卫星传感器支持的至少一种云检测识别波段的辐射信息，从所述至少一种云检测波段中确定白天和夜间所述卫星传感器的辐射特性相同的波段，得到目标波段；获取白天在所述目标波段下采集的第一图像，构建样本集；基于所述样本集，构建云检测模型；利用所述云检测模型对第二图像进行云检测；所述第二图像为所述卫星传感器夜晚在所述目标波段下采集的图像。本申请提供的技术方案，能够提高夜间卫星图像的云检测精度。

技术研发人员：陈勇,史晓航,王春香,蔡丽杰,高慧娟,刘喜荣,张倩
受保护的技术使用者：青岛星科瑞升信息科技有限公司
技术研发日：
技术公布日：2024/4/29