文献

J-GLOBAL ID：202102224553679144   整理番号：21A2453675

時間的平滑性とスパース性正則化テンソル最適化を用いたリモートセンシング画像の厚い雲除去【JST・京大機械翻訳】

Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness and Sparsity Regularized Tensor Optimization

著者 (3件)： Duan Chenxi (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, 129 Luoyu Road, Wuhan 430079, China) ,  Pan Jun (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, 129 Luoyu Road, Wuhan 430079, China) ,  Li Rui (School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 20  ページ： 3446  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： リモートセンシング画像において,影を伴う厚い雲の存在は,その後の処理の品質に影響し,応用のシナリオを制限する。したがって,このような画像をうまく利用するためには,雲汚染ピクセルを回復するだけでなく,厚い雲と雲の影を除去することが重要である。一般に,厚い雲と雲の影要素は,空間水平と垂直方向に沿って,疎であるだけでなく,滑らかであり,一方,クリーン要素は,時間的方向に沿って滑らかであった。上記の洞察によって,時間平滑度およびスパース性正則化テンソル最適化(TSSTO)に基づくリモートセンシング画像のための新しい厚い雲除去方法を,本論文で提案した。最初に,スパース性ノルムを利用して,雲と雲影要素のスパース性を高め,一方向全変動(UTV)正則化器を適用して,異なる方向における平滑性を確実にした。次に,閾値化を通して,クラウドマスクとクラウドシャドウマスクを取得できて,置換を誘導するために使用する。最後に,参照画像を選択して修復領域の詳細を再構成した。一連の実験を,異なるセンサおよび異なる分解能で,模擬および実際の雲汚染画像の両方で行い,その結果は,定性的および定量的観点から,雲および雲影を除去する,提案したTSSTO法の可能性を実証した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  *テンソル ,  分解能 ,  画素 ,  シャドウマスク ,  再構成 ,  センサ ,  *正則化 ,  ノルム ,  平滑度
準シソーラス用語： *スパース性 ,  *リモートセンシング画像 ,  参照画像 ,  総変動 , 【Automatic Indexing@JST】

著者キーワード (4件)： 雲除去 ,  グループスパース性 ,  一方向全変動(UTV) ,  テンソル最適化

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T)

引用文献 (46件)：

• Li, R.; Zheng, S.; Duan, C.; Yang, Y.; Wang, X. Classification of hyperspectral image based on double-branch dual-attention mechanism network. Remote Sens. 2020, 12, 582.
• Amini, S.; Homayouni, S.; Safari, A.; Darvishsefat, A.A. Object-based classification of hyperspectral data using Random Forest algorithm. Geo-Spat. Inf. Sci. 2018, 21, 127-138.
• Yokoya, N.; Iwasaki, A. Object detection based on sparse representation and Hough voting for optical remote sensing imagery. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 2053-2062.
• Inglada, J.; Vincent, A.; Arias, M.; Tardy, B.; Morin, D.; Rodes, I. Operational high resolution land cover map production at the country scale using satellite image time series. Remote Sens. 2017, 9, 95.
• Li, Z.; Shen, H.; Cheng, Q.; Li, W.; Zhang, L. Thick cloud removal in high-resolution satellite images using stepwise radiometric adjustment and residual correction. Remote Sens. 2019, 11, 1925.

タイトルに関連する用語 (7件)： 平滑性 ,  スパース性 ,  正則化 ,  テンソル ,  最適化 ,  リモートセンシング画像 ,  雲