给大家推荐5篇关于云检测的计算机专业论文

今天分享的是关于云检测的5篇计算机毕业论文范文, 如果你的论文涉及到云检测等主题,本文能够帮助到你

卫星遥感影像自动云检测算法研究

这是一篇关于云检测,深度学习,超像素分割,云去除的论文, 主要内容为随着我国卫星遥感技术的快速发展以及卫星数量的增多,所拍摄的遥感影像越来越多,卫星遥感影像应用范围越来越广阔,涉及的领域也越来越多,涵盖了土地督察、城镇规划、地形导航等。然而,所拍摄的遥感影像无可避免的会受到云层的干扰,造成遥感影像中的地物被云层遮挡,对遥感影像后续目标识别、地形匹配导航等工作产生较大影响。云检测作为遥感影像处理的重要环节,要能够准确提取遥感影像中的云,作为云去除的依据,为后续影像处理提供便利。深度学习方法可以地从大规模数据集中提取目标的浅层和深层特征,应用于云检测时,与传统方法相比云检测精度更高,适用范围更广。本文采用基于深度学习的方法对遥感影像中的云进行准确检测,并根据检测结果设计了云去除算法。主要研究内容如下:(1)针对开源遥感影像云检测数据集缺乏且质量不佳等问题,本文利用高分系列卫星、资源系列卫星所拍摄的遥感影像,采用超像素分割方法勾勒云边界,再对勾勒出的云边界进行手工标注,生成对应的标签图,独立制作了高质量的遥感影像云检测数据集。(2)针对传统云检测方法适用范围小、检测精度低等问题,本文提出一种基于U-net的遥感影像云检测方法。利用VGG16网络代替U-net的特征提取网络,以提取更深层次的云的特征信息,并对输入的影像进行高斯渐进模糊处理,分离背景影像,减弱对云目标的影响,提升云检测的精度。(3)针对雪、盐碱地等白色地物干扰导致遥感影像云检测精度下降的问题,本文提出了一种基于U-net3+的抗干扰云检测算法。通过对U-net3+的网络结构进行改进,提出新的损失函数,加强特征融合,解决样本数量不均衡问题,有效排除不同地貌遥感影像中的各类干扰信息,准确检测遥感影像中的云。采用本文算法对遥感影像中的云进行检测,再利用同一地区不同时相的遥感影像替换云区域,并进行局部滤波处理,使得替换后的影像更加平滑,最大程度减少失真率,完成遥感影像云去除。

基于卷积神经网络的遥感图像云检测方法研究

这是一篇关于卷积神经网络,遥感图像,云检测,轻量化的论文, 主要内容为随着遥感技术的快速发展,高分辨率遥感图像被广泛应用于自然灾害监控、农业资源调查和战场目标打击等多个军/民用领域。由于地球表面大部分区域经常被云层覆盖,遥感图像往往会被云层污染,极大影响图像中信息的提取。因此,对云层进行检测是提高遥感图像使用效率的重要前提。本文采用语义分割技术,研究了基于卷积神经网络的遥感图像云检测方法,所取得的主要研究成果如下:(1)针对传统云检测方法普适性和稳定性较差以及传统方法对云纹理信息依赖性较强的问题,提出一种基于多尺度残差的卷积神经网络模型(MRNet),提高了遥感图像云检测性能。通过在U-Net网络中引入残差模块来提升模型的多尺度特征表达能力,有助于网络对深层特征进行提取,实现了高精度的端到端云检测。(2)针对遥感图像云检测方法容易受到地物复杂背景干扰的问题,提出一种基于多特征注意力融合的卷积神经网络模型(MAFNet),提升了对碎云和薄云的判别能力。使用Full Res2Net模块提高网络的多尺度特征提取能力,引入空洞空间金字塔模块来提取全局和局部上下文信息,结合注意力机制通过加权策略对图像通道和空间位置进行特征突出,增强网络对云层的识别能力。实验结果表明,MAFNet方法可精准检测复杂场景下的云区域。(3)针对现有模型在云检测任务中存在计算量和参数量大、网络实时性等问题,提出一种基于Ghost双边轻量化的卷积神经网络模型(GBLNet)。该网络模型利用细节分支和语义分支来提取多层次的特征信息,结合多特征融合模块加强信息间的多样性,采用增强训练策略来提高模型的分割精度和训练速度。所提方法能够在保证检测精度的前提下,使模型的参数量和计算量维持在一个较低的水平,同时推理速度更快,满足了实时云检测的需求。

基于卫星遥感图像多尺度语义分割的云检测算法研究

这是一篇关于云检测,多尺度语义分割,卷积神经网络,自注意力机制,视觉Transformer模型的论文, 主要内容为卫星遥感技术是对从遥感技术平台获取的卫星数据进行接收、处理和分析的技术。许多科学数据与动态信息都源自于卫星遥感技术。但是由于云层的污染,地表信息的光谱和纹理信息等被改变,卫星遥感影像的应用面临诸多困难,云检测技术能够避免应用错误的遥感信息和大量的无效信息传输成本。云检测任务是在卫星遥感图像中将云区域识别出来的任务,现有的基于阈值和机器学习的方法在薄云、微云和明亮地表区域的判别上存在不足,本研究基于深度学习相关技术,提出新的云检测算法来提高云检测的精度,减少误判和漏判的情况。本文研究云检测技术所使用的数据集为风云3D卫星数据、中等分辨率成像光谱仪(MODIS)卫星数据和陆地卫星8号(Landsat 8)卫星数据。针对薄云、微云分布稀疏,透明度高等问题,本文提出了基于全局上下文的多尺度特征融合云检测模型(High and Low Resolution Feature Fusion Network,HLRF-Net),将语义分割任务分解为三个子任务,并有针对性的设计对应的方法将其实现。HLRF-Net主要由三个模块组成,即低分辨率特征提取模块,高分辨率特征提取模块和特征融合分割解码模块。具体来说,HLRF-Net用一个低分辨率特征提取模块作为粗略估计,在此基础上引入一个高分辨率特征提取模块来对边界进行精细分割,最后添加一个融合模块来对前两个模块的特征进行融合,并最终预测出语义分割的结果。实验证明本文提出的HLRF-Net网络模型在提升云检测的精度上非常有效,在MODIS数据集上Jaccard分数较之前最好的模型提升1.3%。为了提高冰雪区域的云识别率,本文提出基于视觉Transformer(Vision Transformer,Vi T)的云检测Transformer网络(Cloud Transformer Network,CTR),CTR模型通过引入Transformer模块提升全局上下文特征的识别能力和对背景信息的敏感程度,从而提升模型在冰雪区域对云的判别能力。实验表明该网络可以有效的提升在冰雪区域的云检测精度。最后设计并开发了一套网页端的卫星数据云检测系统,该系统支持三种数据集包括风云3D卫星数据、MODIS卫星数据和Landsat 8卫星数据。

卫星气候数据集评价及在气候研究中的应用

这是一篇关于静止卫星气候数据集,云量,云检测,大气可降水,定量检验的论文, 主要内容为本文对利用FY-2号系列和GMS静止气象卫星建立的东亚地区气候数据集(EAGSCDR—Geostationary Satellite Climate Data Record over East Asia)进行了检验和评估,使用的检验源数据包括中国地面气候资料,国际卫星云气候计划ISCCP D2月平均云量数据集以及全球高空规定层探测资料。对由上述三种不同观测手段得到的多年平均总云量的空间分布特征分析结果表明,三种资料的总云量分布形势有较好的一致性,但是在40。N以北地区,ISCCP和EAGSCDR得到的总云量在量值上高于地面观测值。用地面观测资料检验EAGSCDR的云检测产品,结果为中国地区总的准确率为72.15%,总漏判率4.45%,总误判率为23.40%；分季节进行研究得出了秋冬季节准确率偏低的结论,在秋冬季节晴空被误判为云,是影响秋冬季节云检测结果准确率的主要原因；按照云变化规律是否一致的原则将中国分为5个子区域,分区域研究EAGSCDR云检测产品准确率、漏判率及误判率的逐月变化,发现时间序列变化曲线存在明显的季节性变化。因此在使用这套数据集时,要注意到不同季节和地区对精度的影响。EAGSCDR与ISCCP云量都是由卫星资料处理得到的,二者差异主要来自算法的不同,从本文的研究表明,EAGSCDR中的云量产品精度优于ISCCP云量,并且其时间分辨率可达到1小时,空间分辨率达到10公里,由此可见,EAGSCDR的云产品比ISCCP云产品更有优势。利用探空资料求算大气可降水量与EAGSCDR资料进行对比分析的结果表明,夏秋季节两者的误差明显小于冬季和春季,7月份EAGSCDR晴空大气可降水值略小于探空求算值,但在其他月份EAGSCDR晴空大气可降水值在北方地区基本较探空求算值偏大；海洋上的误差小于陆地。另外分区域研究了中国地区总云量的月变化特征；分区域分季节研究了中国地区总云量的日变化特征；采用小波分析方法分析了区域总云量变化的周期特征,得出了月平均总云量序列所存在的特征时间尺度。