Logistic回归模型在卫星云图云检测中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (4): 18-21.

Logistic回归模型在卫星云图云检测中的应用

费文龙1，2，吕红2，韦志辉1

1.南京理工大学计算机科学与技术学院，南京 210094
2.南京信息工程大学数理学院，南京 210044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-01 发布日期:2012-04-05

Application of Logistic regression method in cloud detection of satellite image

FEI Wenlong1，2, LV Hong2, WEI Zhihui1

1.School of Computer Science & Technology, Nanjing University of Science and Technology, Nanjing 210094, China
2.College of Math & Physics, Nanjing University of Information Science & Technology, Nanjing 210044, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-01 Published:2012-04-05

摘要/Abstract

摘要： 云的自动检测和分类识别是所有卫星遥感资料应用的第一个步骤。基于Logistic回归模型的云图处理方法被用于FY-2C卫星云图的处理。利用逐步回归方法对云图的灰度及纹理特征进行提取，并计算出每个特征的回归系数；利用提取的特征进行云检测实验。将实验结果与地面观测资料进行对比，表明Logistic回归模型对云图处理是有效的，并且与传统的动态阈值分割方法相比，云检测的效果更好。

关键词: Logistic回归, 卫星云图, 云检测, 特征提取

Abstract: Automatic cloud detection is the first step of using the remote sensing data. In this study, a novel cloud detection method based on Logistic regression model is proposed. The stepwise regression is applied to extract the feature from the satellite image of FY-2C. The Logistic regression model is applied to detect the cloud. The result of experiment, compared with the surface observations, shows that the Logistic regression model is effective for cloud image processing, and the method is more accurate than the traditional threshold algorithm.

Key words: Logistic regression, satellite image, cloud detection, feature extract

费文龙1，2，吕红2，韦志辉1. Logistic回归模型在卫星云图云检测中的应用[J]. 计算机工程与应用, 2012, 48(4): 18-21.

FEI Wenlong1，2, LV Hong2, WEI Zhihui1. Application of Logistic regression method in cloud detection of satellite image[J]. Computer Engineering and Applications, 2012, 48(4): 18-21.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[6]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[7]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[8]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[9]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[10]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[11]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.
[12]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[13]	岳琪，徐忠亮，郭继峰. 面向混合乐器音乐分析的稀疏特征提取方法[J]. 计算机工程与应用, 2021, 57(14): 181-186.
[14]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[15]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.