《表3 云和云阴影检测结果》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《无人工标注数据的Landsat影像云检测深度学习方法》
从实验结果中选取了5个典型场景进行视觉评价,如表3所示,影像1—5所示场景分别位于不同的生物群落区中,其下垫面分别为荒地、冰雪、植被(灌木)、水域和湿地;从左至右依次是输入图像、地面真值、本文方法检测结果以及CFMask检测结果。输入图像以B4(R),B3(G),B2(B)合成显示,真值为Landsat8 CCA验证数据中经人工方式标注的云和云阴影掩模,检测结果及真值中的云阴影、云和无云像元分别用红色、绿色和蓝色标示。由于Landsat8 CCA验证数据提供的云和云阴影掩模在标注时区分了云类别与薄云类别,而本文方法和CFMask算法在进行云和云阴影检测时均不区分云的厚薄,因此合并Landsat8 CCA验证数据中的云和薄云2个类别,统一作为云类别来进行标示,在后续对实验结果进行定量分析时,也作相同合并处理以验证计算结果的精度。对于Landsat数据的实际应用而言,通常认为云像元和薄云像元都是无效的,因此将云与薄云类别合并并不会影响对本方法有效性的判断。由表3可知,总体而言,本文方法在不同生态环境、云属种类或云层分布条件下均能较好地判定出云和云阴影位置,识别出云和云阴影的大致边界。相比CFMask结果,本文方法检测出的云和云阴影更准确,与真值的匹配度明显更优,如本文方法识别出了CFMask没有识别出的表3中1号影像右侧较薄的云层,对3号影像的卷云也有更好的识别效果,4号影像中CFMask方法结果过多估计了影像上的云层和云阴影,而本文方法改善了这一问题。
图表编号 | XD00195995900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.01 |
作者 | 仇一帆、柴登峰 |
绘制单位 | 浙江大学地球科学学院、浙江大学地球科学学院 |
更多格式 | 高清、无水印(增值服务) |