遥感卫星影像的云检测方法研究的开题报告.docx

遥感卫星影像的云检测方法研究的开题报告
一、选题背景
随着遥感技术的不断发展，遥感卫星影像已经成为了重要的数据源。然而，在卫星影像的采集过程中，云覆盖是一项常见的问题。云覆盖严重影响卫星影像的可用性，进而影响后续的数据处理和分析工作。因此，云检测是遥感应用中非常重要的一个环节。
存在的问题：目前常用的云检测方法主要有基于光谱特征的方法、基于形态学的方法、基于纹理特征的方法等。但是这些方法在实际应用中也存在一些问题。例如，基于光谱特征的方法只适用于云在影像中反射率高于其他物体的情况，而无法检测到云和阳光反射物存在相同反射率的情况。基于形态学方法的检测速度较慢，性能不够优越。因此，本文旨在研究一种更加高效有效的云检测方法。
二、研究内容与方法
本研究旨在探讨一种基于深度学习的云检测方法。具体步骤如下：
1.数据预处理
采集卫星数据，预处理数据进行预处理，包括清除影像噪声、填补影像空洞、增强影像对比度等。
2.数据集的构建
从预处理的数据中提取出云和非云的样本，构建云和非云的数据集。在构建数据集时，需要确保样本数据分布均匀，样本数量足够充足。
3.网络模型的设计
本研究采用卷积神经网络（CNN）进行建模，设计出一种适合当前检测任务的卷积神经网络结构。
4.网络训练
利用构建的数据集训练卷积神经网络模型，并对模型进行优化。
5.模型测试
将训练好的模型应用于新的卫星数据中，进行云检测。
三、预期成果
该研究旨在提出一种更加高效、精度更高的遥感卫星影像云检测方法。预期成果如下：
1.提出一种基于深度学习的云检测方法，能够更加准确地检测卫星影像中的云覆盖情况。
2.构建出适合该研究任务的数据集，可为后续类似研究提供参考。
3.实现出一个云检测的模型，并对模型进行优化，提高其检测效果。
四、研究意义
本研究具有以下意义：
1.对于提高遥感卫星影像的可用性和准确性具有重要作用。
2.打破传统云检测方法的限制，提出了更加高效有效的检测方法。
3.为深度学习在遥感领域中的应用提供了参考。
五、研究计划
第一阶段（1个月）：收集相关文献，了解遥感卫星影像云检测的现状，梳理研究思路。
第二阶段（1个月）：实验数据预处理，构建数据集。
第三阶段（2个月）：设计卷积神经网络模型，进行训练。
第四阶段（1个月）：测试模型应用于新数据中的效果，对模型进行优化。
第五阶段（1个月）：总结研究结果，撰写论文。
六、参考文献
1.唐京亚,王志强.基于遥感的大气气溶胶观测及其在气候变化研究中的应用[J].遥感技术与应用,2007,22(4):393-399.
2.李菲菲,陈海,吕炳文.飞机遥感云检测研究[J].光学精密工程,2013,21(5):1170-1177.
3.周国庆,贺季华,韩亚锋.遥感图像云检测综述[J].地球信息科学学报,2015,17(11):1361-1369.
4.王久金,贾卫东.基于深度学习的遥感图像云检测方法研究[J].光电子-激光,2017,28(5):536-541.
5.HuangG,LiuZ,VanDerMaatenL,etal.DenselyConnectedConvolutionalNetworks[C].IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2017.