面向HY-1C卫星CZI陆地遥感图像的云检测方法研究
- Research on cloud detection for HY-1C CZI remote sensing images collected over lands
- 2023年27卷第1期 页码：55-67
纸质出版日期： 2023-01-07
- DOI： 10.11834/jrs.20221535
引用
扫 描 看 全 文
面向HY-1C卫星CZI陆地遥感图像的云检测方法研究 Research on cloud detection for HY-1C CZI remote sensing images collected over lands 1 first-author 杨彬， 研究方向为遥感图像处理。E-mail： binyang@hnu.edu.cn 杨彬， 研究方向为遥感图像处理。E-mail： binyang@hnu.edu.cn binyang@hnu.edu.cn 1 2 3 4 3 4 corresp 刘建强， 研究方向为海洋卫星数据分析。E-mail： jqliu@mail.nsoas.org.cn 刘建强， 研究方向为海洋卫星数据分析。E-mail： jqliu@mail.nsoas.org.cn jqliu@mail.nsoas.org.cn 湖南大学 电气与信息工程学院, 长沙 410082 湖南大学 电气与信息工程学院, 长沙 410082 College of Electrical and Information Engineering, Hunan University, Changsha 410082, China College of Electrical and Information Engineering, Hunan University, Changsha 410082, China 南华大学 机械工程学院, 衡阳 421001 南华大学 机械工程学院, 衡阳 421001 College of Mechanical Engineering, University of South China, Hengyang 421001, China College of Mechanical Engineering, University of South China, Hengyang 421001, China 国家卫星海洋应用中心, 北京 100081 国家卫星海洋应用中心, 北京 100081 National Satellite Ocean Application Service, Beijing 100081, China National Satellite Ocean Application Service, Beijing 100081, China 自然资源部空间海洋遥感与应用重点实验室, 北京 100081 自然资源部空间海洋遥感与应用重点实验室, 北京 100081 Key Laboratory of Space Ocean Remote Sensing and Application, Ministry of Natural Resources, Beijing 100081, China Key Laboratory of Space Ocean Remote Sensing and Application, Ministry of Natural Resources, Beijing 100081, China 搭载在中国首颗海洋水色业务卫星HY-1C上的海岸带成像仪CZI（Coast Zone Imager）于2019年6月开始业务化运行，其获取的大量海岸带、陆地和海洋数据对于海洋灾害与环境监测研究具有重要意义。CZI对地观测受云干扰，影响数据的后续应用。现有的云检测算法大都基于RGB图像或者包含热红外的多光谱展开，对于HY-1C CZI这类RGB-近红外4个波段遥感图像研究较少。为此，本文提出了一种针对HY-1C CZI遥感图像的非监督遥感图像云检测方法。该方法包含训练样本选择、特征提取、支持向量机SVM（Support Vector Machine）分类和后处理这4个过程。在训练样本选择中，结合暗通道反射率、归一化植被指数和白度指数，提出了一种训练样本自动提取算法。该算法使用白度指数作为遥感图像细节信息提取数据源，并通过逐步细化过程精确提取样本。针对特征提取，选取图像的空—谱特征信息，包含反射率、光谱指数、纹理和结构特征，使云与非云区域的差异最大化。基于自动提取的训练样本及其特征描述，采用SVM对CZI遥感数据进行初分类，并在此基础上进行导向滤波、孔洞填充和几何判断后处理，以获取云检测结果。该算法的优势在于：（1）无需人工标注即可自动获取训练样本；（2）能够充分利用近红外波段信息。本文将该算法运用于植被、土壤、湿地和冰雪场景这4种典型场景中，并与目前流行的非监督云检测算法对比分析。相较于其他云检测算法，定性分析结果表明本文云检测结果与人工标注的云分布真实图具有较好的一致性；定量结果表明本文提出的算法在各个场景上都具有最低的错误率。通过以上对比分析，表明本文提出的云检测算法在不同的场景下识别结果都更加准确，证明了本文算法对于HY-1C CZI陆地遥感图像云检测的有效性。 The Coast Zone Imager (CZI) onboard the Chinese first marine aqua-color satellite HY-1C started operational operations in June 2019. The data acquired by CZI have the characteristics of medium resolution, large width and high revisit period and taking into account the requirements of ocean water color, terrestrial ecology and polar glaciers. Therefore, the large amount of coastal, land, and ocean data acquired by CZI is of great significance for marine disaster and environmental monitoring research. However, related studies have shown that clouds cover an average of 68% of the earth's surface. CZI data is severely affected by cloud, which will then have a strong impact on its subsequent applications. The effective identification of clouds in remote sensing images is extremely important for the application of CZI images. Most of the existing cloud detection algorithms are based on RGB images or multi-spectral images including thermal infrared band. There are few researches on cloud detection algorithms for RGB-NIR four-band remote sensing images, such as HY-1C CZI. The objective of this paper is thus to propose an unsupervised cloud detection method for HY-1C CZI remote sensing images that makes full use of NIR band information. The method includes four processes: training samples selection, feature extraction, Support Vector Machine (SVM) classification, and post-processing. In the selection of training samples, combining dark channel reflectivity, normalized vegetation index and whiteness index of the image, this paper proposes an automatic training sample extraction algorithm, which uses the whiteness index to obtain detail information, and accurately extract cloud/non-cloud samples through a gradual refinement process. For feature extraction, the spatial spectrum feature information of CZI remote sensing image is selected, including reflectance, spectral index, texture and structure features, to characterize remote sensing image features, and maximize the feature difference between cloud and non-cloud regions. Based on the above automatically extracted sample and its feature description, SVM is used to initially classify the CZI remote sensing data, and then the guided filtering, hole filling and geometric judgment post-processing are performed to obtain the final high-precision cloud detection results. This paper applies the algorithm to four typical scenarios (vegetation, soil, wetland, and ice and snow scenarios), and compares and analyzes it with the currently popular unsupervised cloud detection algorithms. Compared with other cloud detection algorithms, the qualitative analysis results show that the cloud detection results in this paper are in good agreement with real cloud distribution image labeled by human. In addition, the most commonly used error rate metric is also used to quantitatively evaluate the cloud detection results. It shows that the error rates of the proposed algorithm in vegetation, soil, wetland, ice and snow scenes are 0.027, 0.064, 0.026, and 0.049, respectively; and that has the lowest error rate in four scenarios. Through the above comparative analysis, the detection results of the proposed algorithm in different scenarios are more accurate, which demonstrates the effectiveness of the proposed algorithm for cloud detection from HY-1C CZI data. HY-1C 海岸带成像仪 云检测 白度指数 非监督 HY-1C Coast Zone Imager (CZI) cloud detection whiteness index unsupervised 1 引 言 1 海洋一号C卫星（HY-1C）于2018年9月7日成功发射。作为中国首颗海洋水色业务卫星，HY-1C能满足海洋水色水温、海洋灾害与陆地环境监测需求，同时可服务于自然资源调查、环境生态、应急减灾、气象、农业和水利等行业（ 刘建强 等，2020 刘建强 等，2020 ）。HY-1C上搭载了海岸带成像仪CZI（Coast Zone Imager）、水色水温扫描仪COCTS（Chinese Ocean Color and Temperature Scanner）等多套载荷，于2019年6月开始业务化运行。相关数据已经成功应用于多个行业，包括海面溢油识别（ 沈亚峰 等，2020 沈亚峰 等，2020 ）、冬小麦和红树林等的识别（ 王利民 等，2019 王利民 等，2019 ； 梁超 等，2020 梁超 等，2020 ）、以及湖水浊度监测（ 周屈 等，2020 周屈 等，2020 ）。 地球表面被大量的云覆盖。相关研究表明，云的平均覆盖度高达68%（ Stubenrauch 等，2013 Stubenrauch 等，2013 ； 王宇瑶 等，2022 王宇瑶 等，2022 ）。云覆盖影响地表信息获取。特别是对于HY-1C CZI这种大幅宽（ > 950 km）传感器，其获取的数据很少有无云的情况。云检测已经成为这类遥感图像预处理的必要步骤（ Cheng 等，2022 Cheng 等，2022 ）。如果这些云不能被高精度识别并剔除，将极大影响HY-1C CZI数据的后续应用。 在过去10年中，针对MODIS、Landsat、Sentinel、GF等传感器，科研人员提出了不同的云检测算法（ Mahajan和Fataniya，2019 Mahajan和Fataniya，2019 ； 隋淞蔓 等，2022 隋淞蔓 等，2022 ）。总体来看，这些算法可以分为监督类与非监督类两类。监督类方法是指根据已知云与非云样本，选择特征参数及决策规则，建立判别函数对遥感图像进行云与非云区域的识别（ Luo 等，2020 Luo 等，2020 ）。如 Deng等（2019） Deng等（2019） 利用多张云影像的Gabor特征训练以实现云与冰雪的区分； Xie等（2017） Xie等（2017） 利用云的多级别特征，实现薄云和厚云的检测。随着深度学习技术的发展，云的深度特征提取和判别网络设计也可通过神经网络实现，如DeepLabv3+（ 彭龙康 等，2021 彭龙康 等，2021 ），U-Net（ 徐少壮和钟来星，2021 徐少壮和钟来星，2021 ），RDA-Net（ 张晨 等，2021 张晨 等，2021 ）等。这类算法的总体精度较高，常可以达到90%以上，但是其对于训练样本的要求高，训练样本的质量一定程度上决定了算法精度。庞大规模的训练样本的标注费时费力，而且较大的模型部署困难，这一定程度上限制了监督类算法的业务化应用能力。 非监督类方法则无需预先已知样本，即可依据一定规则实现云与非云区域的识别（ Guo 等，2022 Guo 等，2022 ）。在这类方法中，一般会对光谱和结构等特征采用聚类技术（ 张波 等，2021 张波 等，2021 ），实现云与非云区域的自动提取，如K均值聚类等；也会通过构建物理模型分析云与非云地表之间的空—谱特征差异来实现云检测，如针对Landsat数据的Fmask算法（ Zhu 等，2015 Zhu 等，2015 ）、针对GF数据的MFC算法（ Li 等，2017 Li 等，2017 ）等。相比于监督类技术，非监督类的云检测技术应用更直观，对计算和存储要求较低，常被用于云产品生成算法中（ Zhu 等，2015 Zhu 等，2015 ）。 在非监督类方法中， Zhu等（2015） Zhu等（2015） 依据云在不同波段的光谱特性，利用阈值实现云、冰雪和其他地物类别的区分（ Zhu 等，2015 Zhu 等，2015 ）。 Zhang和Xiao（2014） Zhang和Xiao（2014） 利用细节差异实现云的逐步提取（ Zhang和Xiao，2014 Zhang和Xiao，2014 ）。 An和Shi（2015） An和Shi（2015） 通过场景学习技术，将真彩色图像转换为显著性图，并通过改进Otsu阈值实现云的精确提取（ An和Shi，2015 An和Shi，2015 ）。以上算法，要么使用超过4个波段的信息，如Landsat的7个波段信息（其中热红外信息实现云与冰雪的分离），要么仅使用RGB信息（对于高浑浊水体、建筑物效果不佳）。一些多光谱传感器，如GF-1、HY-1C等，只含有4个波段，即蓝、绿、红、近红外波段。现有算法无法直接应用于4波段遥感图像的云检测。如何在没有热红外信息的情况下有效区分云与冰雪，以及如何有效利用近红外波段信息，是这类4波段图像云检测的重要问题。 Li等（2017） Li等（2017） 利用光谱、纹理和几何信息，实现了4波段高分数据的云检测。但是该方法涉及了大量阈值，无法直接应用于HY-1C CZI遥感图像云检测。另外，上述方法大多按照逐步处理的过程实现云与非云区域的识别，处理流程复杂且容易误差累积。 Kang等（2019） Kang等（2019） 提出了一种基于分类技术的云与非云区域识别方法，被证明优于现有的非监督类方法。该方法的优势在于精确的训练样本提取以及样本特征描述。但是，该方法仅适用于RGB图像。针对4通道HY-1C CZI图像，如何高精度提取训练样本以及利用可见光—近红外信息精确描述其特征是提高云检测精度的关键。 基于此，本文提出了一种针对HY-1C CZI遥感图像的非监督云检测方法，以用于云检测的业务化运行。该方法包含训练样本选择、特征提取、分类和后处理这4个过程。该方法的独特之处在于既能自动提取区分云与其他地物的训练样本，又能有效利用近红外信息。通过对植被、土壤、湿地和冰雪场景这4个典型场景的验证分析，以证明该方法的有效性。 2 数据获取 1 本文使用的遥感图像是HY-1C CZI获取的多光谱数据，其4个波段的波谱范围分别为蓝（0.42—0.50 μm）、绿（0.52—0.60 μm）、红（0.61—0.69 μm）、近红外（0.76—0.89 μm）。数据可在中国海洋卫星数据服务系统（ https：//osdds.nsoas.org.cn/#/ https://osdds.nsoas.org.cn/#/ ［2022-05-13］）下载。HY-1C于2018年9月7日发射，运行于782 km高度的太阳同步回归轨道，降交点地方时为每日上午10：30±30 min；其数据兼顾了海洋水色、陆地生态和极地冰川的要求，具有中等分辨率（约50 m）、大幅宽（ > 950 km）、高重访周期（单颗卫星覆盖周期为3 d）的特点，可为水体—陆地交互作用区域提供监测，对重点河流港口的悬浮泥沙、冰、赤潮和陆地生态环境等监测和预警具有重要作用（ 臧金霞 等，2022 臧金霞 等，2022 ； 刘锦超 等，2022 刘锦超 等，2022 ）。 CZI数据分为L1A、 L1B、 L1C、 L2A、 L2B和L2C等6级。其中L1A是经过几何校正后的原始数据，L1B是经过辐射定标后的辐亮度数据（HDF5格式），L1C也是辐射定标后的辐亮度数据（TIF格式），L2A是经过大气校正后的基础产品数据，L2B是标准产品数据，L2C是试验产品数据。本文选用L1C（TIF格式）数据用于遥感图像云检测研究。在L1C级数据中，每个数据值代表了CZI测量的该点的天顶辐亮度（mW/（cm 2 ·um·sr））。为了方便后续植被指数的计算，本文将天顶辐亮度转化为天顶反射率，每个点的天顶反射率 <math id="M1"><mi>R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983324&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983322&type= 2.37066650 2.62466669 可以计算为： <math display="block" id="M2"><mi>R</mi><mo>=</mo><mfrac><mrow><mi mathvariant="normal">π</mi><mi>I</mi></mrow><mrow><mi>E</mi><mo>·</mo><mi mathvariant="normal">c</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">s</mi><mo stretchy="false">(</mo><msub><mrow><mi>θ</mi></mrow><mrow><mi>s</mi></mrow></msub><mo stretchy="false">)</mo></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983290&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983284&type= 22.18266678 8.21266651 式中， <math id="M3"><mi>I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984188&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984186&type= 1.43933344 2.62466669 为天顶辐亮度， <math id="M4"><mi>E</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983308&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983304&type= 2.28600001 2.62466669 为大气层外太阳辐照度， <math id="M5"><msub><mrow><mi>θ</mi></mrow><mrow><mi>s</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983318&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983313&type= 2.53999996 3.80999994 为太阳天顶角。需要注意的是，L1C数据中不包含太阳辐照度和太阳天顶角信息，而L2B数据中包含该信息，因此，本文使用与L1C数据对应的L2B数据用于天顶反射率 <math id="M6"><mi>R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983324&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983322&type= 2.37066650 2.62466669 的计算。 为更好地评估本文提出的HY-1C CZI数据遥感图像云检测方法，选取4个典型陆地场景，即植被、土壤、湿地和冰雪场景进行验证。在这些场景下，云和背景的差异各不相同。 图1 图1 所示即为本文使用的4个场景的RGB真彩色图像。 1,2,3,4; 3 研究方法 1 3.1 研究技术路线 2 本文的算法流程如 图2 图2 所示。该算法包含4个主要步骤，即训练样本自动选择、特征提取、支持向量机分类以及后处理4个过程。其中，训练样本提取与特征提取并行执行，通过提取的训练样本及其对应的特征训练SVM；利用训练的SVM预测云检测初步结果，并后处理获得最终HY-1C CZI陆地遥感图像云检测结果。下面将具体介绍这4个步骤。 3.2 训练样本自动提取 2 训练样本可用于分类器训练，以实现未知像素点的预测（云与非云）（ 汪杰君 等，2021 汪杰君 等，2021 ）。与人工标注不同的是，本文使用的训练样本可以通过多重判断自动获取。该方法旨在尽可能去除非云样本干扰，如冰雪、高亮地表建筑和浑浊水体等，以提高训练样本精度和后续云检测精度。 图3 图3 所示即为本文提出的训练样本自动提取流程图。用该流程，可将输入图像划分为云样本区域、非云样本区域和其他区域，其中云样本区域与非云样本区域分别作为正负样本用于后面的SVM训练。整体来看，可以分为暗通道反射率判断，NDVI判断和Whiteness判断3个步骤。 （1）暗通道反射率判断。暗通道图像最早被用于图像去雾（ He 等，2011 He 等，2011 ），后面逐渐被用于真彩色图像的云检测研究中（ Kang 等，2019 Kang 等，2019 ； Ping 等，2020 Ping 等，2020 ）。为将暗通道扩展适用于本文研究的HY-1C CZI的4个波段图像，近红外波段信息也被充分利用，用于暗通道图像的计算，其暗通道被重新定义为 <math display="block" id="M7"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">D</mi><mi mathvariant="normal">C</mi></mrow></msub><mo>=</mo><mi mathvariant="normal">m</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi><mfenced open="｛" close="｝" separators="|"><mrow><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">B</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">G</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983434&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983430&type= 41.23266602 4.40266657 式中， <math id="M8"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">B</mi></mrow></msub><mo>,</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">G</mi></mrow></msub><mo>,</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>,</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983445&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983440&type= 27.17799950 4.23333359 分别表示蓝、绿、红和近红外波段的反射率。 <math id="M9"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">D</mi><mi mathvariant="normal">C</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983452&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983449&type= 4.99533367 3.72533321 表示该4个波段图像的暗通道图像。也就是说，暗通道图像每个点的值为该点在4个波段反射率的最小值（ He 等，2011 He 等，2011 ）。 云在可见光和近红外的反射率较高，而自然地物在该光谱范围内，很少有反射率均高的情况（冰雪除外）。因此，在暗通道反射率图像中，云具有较高的反射率，而非云区域则具有较低的反射率。为了提取出这部分具有较高反射率的暗通道像素，本文采用改进Otsu方法实现云与背景的区分（ Otsu，1979 Otsu，1979 ； 段潘 等，2022 段潘 等，2022 ）。在传统的Otsu方法中，假设图像中存在两种类别，通过计算阈值使得类间的方差最大。Otsu阈值 <math id="M10"><mi>T</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983461&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983456&type= 2.28600001 2.62466669 的获得可通过优化如下方程获得： <math display="block" id="M11"><mtable columnalign="left"><mtr><mtd><mi>T</mi><mo>=</mo><mi mathvariant="normal">a</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">g</mi><mtext> </mtext><mi mathvariant="normal">m</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">x</mi><mtext> </mtext><mfenced close="" separators="|"><mrow><msub><mrow><mi>ω</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><msup><mrow><mfenced separators="|"><mrow><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><mo>-</mo><mover accent="true"><mi>μ</mi><mo>¯</mo></mover></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo></mrow></mfenced></mtd></mtr><mtr><mtd><mfenced open="" separators="|"><mrow><msub><mrow><mi>ω</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo stretchy="false">(</mo><mi>T</mi><mo stretchy="false">)</mo><msup><mrow><mfenced separators="|"><mrow><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><mo>-</mo><mover accent="true"><mi>μ</mi><mo>¯</mo></mover></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfenced></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983473&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983466&type= 52.91666412 14.73200035 式中， <math id="M12"><msub><mrow><mi>ω</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">0</mn></mrow><mrow><mi>T</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983483&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983477&type= 20.57399940 8.38199997 ， <math id="M13"><msub><mrow><mi>ω</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mi>T</mi><mo>+</mo><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">255</mn></mrow></munderover></mstyle><mrow><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983493&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983488&type= 24.21466637 8.38199997 ， <math id="M14"><mover accent="true"><mi>μ</mi><mo>¯</mo></mover><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">0</mn></mrow><mrow><mn mathvariant="normal">255</mn></mrow></munderover></mstyle><mrow><mi>i</mi><mo>·</mo><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983500&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983496&type= 15.57866764 8.38199997 ， <math id="M15"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">0</mn></mrow><mrow><mi>T</mi></mrow></munderover></mstyle><mrow><mi>i</mi><mo>·</mo><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983509&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983504&type= 22.18266678 8.38199997 ， <math id="M16"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mfenced separators="|"><mrow><mi>T</mi></mrow></mfenced><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mi>T</mi><mo>+</mo><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">255</mn></mrow></munderover></mstyle><mrow><mi>i</mi><mo>·</mo><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983518&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983513&type= 25.14599991 8.38199997 ， <math id="M17"><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983531&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983525&type= 2.79399991 4.57200003 是取值为 <math id="M18"><mi>i</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984207&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984205&type= 1.10066664 2.62466669 的概率。 通过传统Otsu方法获取的阈值 <math id="M19"><mi>T</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983548&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983546&type= 2.28600001 2.62466669 ，会存在阈值偏移问题，即当场景较亮时，计算获得的阈值 <math id="M20"><mi>T</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983563&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983560&type= 2.28600001 2.62466669 较大，导致相对较暗的云无法识别；反之，当场景较暗时，计算获得的阈值 <math id="M21"><mi>T</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983563&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983560&type= 2.28600001 2.62466669 较小，导致相对较亮的地面物体被识别为云。通过对500幅云图像的统计分析（ Zhang和Xiao，2014 Zhang和Xiao，2014 ）发现，超过95%的云的像素值不会低于100。基于此，考虑暗通道反射率的取值范围为0—1，本文首先将暗通道反射率线性拉伸为0—255，以实现 式（3） 式（3） 计算。最终获得的阈值 <math id="M22"><mi>T</mi><mi mathvariant="normal">'</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983570&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983567&type= 3.30200005 2.70933342 为 <math display="block" id="M23"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable columnalign="left"><mtr><mtd><mn mathvariant="normal">100</mn><mo>,</mo><mtext> </mtext><mi>T</mi><mo><</mo><mn mathvariant="normal">100</mn></mtd></mtr><mtr><mtd><mi>T</mi><mo>,</mo><mtext> </mtext><mn mathvariant="normal">100</mn><mo>≤</mo><mi>T</mi><mo>≤</mo><mn mathvariant="normal">150</mn></mtd></mtr><mtr><mtd><mn mathvariant="normal">150</mn><mo>,</mo><mtext> </mtext><mi>T</mi><mo>></mo><mn mathvariant="normal">150</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983575&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983572&type= 37.50733566 14.05466747 线性拉伸后的暗通道反射率与 <math id="M24"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983583&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983579&type= 3.13266683 2.96333337 比较，若大于 <math id="M25"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983597&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983594&type= 3.13266683 2.96333337 ，则为潜在的云区域，若小于 <math id="M26"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983597&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983594&type= 3.13266683 2.96333337 ，则为潜在的非云区域。需要注意的是，若线性拉伸后的暗通道反射率很小，如小于 <math id="M27"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup><mo>·</mo><mn mathvariant="normal">70</mn><mi mathvariant="normal">%</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983611&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983608&type= 11.43000031 3.04800010 ，则其为云的概率极低，可直接划为非云区域。若拉伸后的暗通道反射率在 <math id="M28"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup><mo>·</mo><mn mathvariant="normal">70</mn><mi mathvariant="normal">%</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983611&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983608&type= 11.43000031 3.04800010 与 <math id="M29"><msup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983620&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983615&type= 3.13266683 2.96333337 之间，则将其划为潜在非云区域。需要注意的是，在本判断中，可以容忍一定高亮物体判别为云，因此将阈值的上限设定为150，后续的判定方法可进一步去除。 （2）NDVI 判断。有些水体由于浑浊度较高，或者镜面反射等原因，其在可见光的表现与薄云类似，无法直接区分（如 图1 图1 中的湿地场景）。但是，二者在近红外波段却有较大差异。水在近红外具有很低的反射率，而云在近红外却有较高的反射率。因此可采用归一化植被指数NDVI（Normalized Difference Vegetation Index）剔除这部分水体。NDVI定义为 <math display="block" id="M30"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>=</mo><mfrac><mrow><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>-</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow><mrow><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>+</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983627&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983623&type= 27.85533524 8.04333401 即近红外与红光波段的反射率差值除以二者的和值。由于云在近红外、红光波段都具有较高的反射率，因此云的 <math id="M31"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983789&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983783&type= 8.63599968 2.70933342 值一般较小（ Zhai 等，2018 Zhai 等，2018 ）。 借鉴Landsat云检测研究，水体的NDVI值一般小于0.1而云的NDVI值一般大于0.1（ Zhu和Woodcock，2012 Zhu和Woodcock，2012 ）。基于此，本文设定0.1为NDVI的阈值用于区分薄云和浑浊水体。即当某像素的NDVI < 0.1时，被划分为水体，当NDVI > 0.1时，被划分为潜在云区域。 （3）Whiteness判断。Whiteness是白度指数（ Gomez-Chova 等，2007 Gomez-Chova 等，2007 ），用 <math id="M32"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983796&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983793&type= 3.13266683 2.62466669 表示。其主要是针对3个波段真彩色图像，为了使其适用于HY-1C CZI数据，本文对其进行了扩展： <math display="block" id="M33"><mi>M</mi><mo>=</mo><mfenced separators="|"><mrow><msub><mrow><mi>R</mi></mrow><mrow><mi>B</mi></mrow></msub><mo>+</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>G</mi></mrow></msub><mo>+</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>R</mi></mrow></msub><mo>+</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>N</mi><mi>I</mi><mi>R</mi></mrow></msub></mrow></mfenced><mo>/</mo><mn mathvariant="normal">4</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983653&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983650&type= 44.53466415 4.40266657 <math display="block" id="M34"><mi>W</mi><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">4</mn></mrow></munderover></mstyle><mrow><mfenced open="|" close="|" separators="|"><mrow><mfenced separators="|"><mrow><msub><mrow><mi>R</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><mi>M</mi></mrow></mfenced><mo>/</mo><mi>M</mi></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983661&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983657&type= 32.25799942 8.29733276 式中， <math id="M35"><mi>i</mi><mo>=</mo><mn mathvariant="normal">1,2</mn><mo>,</mo><mn mathvariant="normal">3,4</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983668&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983665&type= 24.04533195 3.13266683 分别表示CZI的蓝、绿、红和近红外4个波段序号。由于云在4个波段的反射率差异较小，因此用各波段反射率与平均值的差值的绝对值来判断4个波段反射率的差异。若某区域内各波段差值较小，则该区域内 <math id="M36"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983682&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983679&type= 3.13266683 2.62466669 值平滑，细节信息少；反之，若某区域内各波段差值较大，则该区域内 <math id="M37"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983682&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983679&type= 3.13266683 2.62466669 值变化大，细节信息多（ Zhu等，2015 Zhu等，2015 ）。 研究发现，云区域内的反射率相对较为光滑，而非云区域内（如自然地物和冰雪）的反射率差异较大，因而在Whiteness指数图像上，云区域内的细节信息较少，而非云区域内的细节信息较多。可采用Whiteness指数作为云与非云样本的提取，去除冰雪对于样本提取的影响。基于此，本文使用多尺度边缘保持分解方法MED（Multiscale Edge-preserving Decompositions）（ Farbman 等，2008 Farbman 等，2008 ）获取Whiteness指数图像在不同尺度上的细节信息 <math id="M38"><mi>D</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983711&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983705&type= 2.53999996 2.62466669 ，即： <math display="block" id="M39"><mi>D</mi><mo>=</mo><mi>M</mi><mi>E</mi><mi>D</mi><mfenced separators="|"><mrow><mi>W</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983702&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983698&type= 21.16666603 3.72533321 进一步，本文采用Otsu方法将上述细节信息 <math id="M40"><mi>D</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983711&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983705&type= 2.53999996 2.62466669 二值化，只有二值化后值为1的区域，才被认定为细节信息，这部分像素点被划分为非云样本，而二值化后值为0的区域，被认定为非细节区域，这部分像素点被划分为云样本区域（ Kang 等，2019 Kang 等，2019 ）。相较于暗通道细节信息提取，利用Whiteness提取的细节信息具有更高的稳定性（详见结果部分）。 通过上述暗通道反射率判断、NDVI判断和Whiteness判断的逐步细化，提取高精度的云与非云样本。需要注意的是，通过该方法提取的云样本区域与非云样本区域分别作为正负样本用于后面的SVM分类训练。训练之后，这些样本将不再参与云检测任务。但在分类之前，还需对每个样本进行特征表征。下面，本文将详细介绍如何提取每个像素点的特征。 3.3 特征提取与支持向量机分类 2 特征提取是对每个像素进行表征的数学手段。但是并非所有特征都可用于云识别（ Yao 等，2020 Yao 等，2020 ）。合理的特征提取算法能最大程度上反映云的特殊性，在该特征维度上，云与非云像素点的特征值差异最大（ An和Shi ，2015 An和Shi ，2015 ）。而支持向量机分类是比较成熟的机器学习方法，故将该分类的简单描述与特征提取合并。本文选取使云与非云区域的差异最大化的4种特征：反射率特征、光谱指数特征、纹理特征和结构特征，以表征每个像素点的空—谱信息。 （1）反射率特征。反射率特征是最直接的云检测特征。云在蓝、绿、红、近红外通道都具有较高的反射率。一般情况下，若某个测量点的4个通道都有较高的反射率，那么该点具有较高的概率为云（ Zhai 等，2018 Zhai 等，2018 ）。令每个像素点的反射率特征为 <math id="M41"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="bold-italic">R</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983718&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983714&type= 3.89466691 3.72533321 ，则 <math id="M42"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="bold-italic">R</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983726&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983722&type= 3.89466691 3.72533321 表示为 <math display="block" id="M43"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="bold-italic">R</mi></mrow></msub><mo>=</mo><mfenced open="｛" close="｝" separators="|"><mrow><msub><mrow><mi>R</mi></mrow><mrow><mi>B</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi>G</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi>R</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi>N</mi><mi>I</mi><mi>R</mi></mrow></msub><mo>,</mo><mtext> </mtext><msub><mrow><mi>R</mi></mrow><mrow><mi>D</mi><mi>C</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983735&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983729&type= 40.72467041 4.40266657 需要注意的是，除了HY-1C CZI的4个波段反射率（蓝、绿、红和近红外波段）以外，本文还将暗通道反射率作为反射率特征之一。 图1 图1 所示为4种典型场景的RGB图像。为了更好展示反射率特征， 图4 图4 所示为4种典型场景的近红外和暗通道图像。 （2）光谱指数特征。光谱指数也是云检测的有效特征之一（ Choi 等，2022 Choi 等，2022 ）。在本文中，每个像素点的光谱指数 <math id="M44"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="bold-italic">I</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983757&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983753&type= 3.38666677 3.72533321 表示为 <math display="block" id="M45"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="bold-italic">I</mi></mrow></msub><mo>=</mo><mfenced open="｛" close="｝" separators="|"><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>,</mo><mtext> </mtext><mi>W</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983766&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983761&type= 24.21466637 4.14866638 <math id="M46"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983789&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983783&type= 8.63599968 2.70933342 和 <math id="M47"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983796&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983793&type= 3.13266683 2.62466669 常用于多波段遥感图像的云检测，如Landsat和GF系列卫星（ Zhu和Woodcock，2012 Zhu和Woodcock，2012 ； Li 等，2017 Li 等，2017 ）。本文也使用这两个指数来描述像素点的光谱指数特征。 图5 图5 所示即为4种典型场景的 <math id="M48"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983789&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983783&type= 8.63599968 2.70933342 和 <math id="M49"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983796&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983793&type= 3.13266683 2.62466669 图。 （3）纹理特征。纹理特征描述了像素点与像素点之间的空间关系，这种关系可以用于云检测（ Kang 等，2019 Kang 等，2019 ）。与反射率特征和光谱指数特征不同的是，反射率特征和光谱指数特征只考虑单个像素点的信息，而纹理特征包含了像素点与邻近像素点的相关信息。云覆盖的区域内的像素点之间差异较小，相对于其他地物，具有更平滑的特点。Gabor特征是一种可以用来描述图像纹理信息的特征，Gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别（ An和Shi，2015 An和Shi，2015 ； Deng 等，2019 Deng 等，2019 ； 李军军 等，2020 李军军 等，2020 ）。在空间域，一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。前者是调谐函数，后者是窗口函数。Gabor滤波器的定义如下： <math display="block" id="M50"><mi mathvariant="bold-italic">g</mi><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mtext> </mtext><mi>y</mi><mo>;</mo><mtext> </mtext><mi>λ</mi><mo>,</mo><mtext> </mtext><mi>θ</mi><mo>,</mo><mtext> </mtext><mi>σ</mi></mrow></mfenced><mo>=</mo><mi mathvariant="normal">e</mi><mi mathvariant="normal">x</mi><mi mathvariant="normal">p</mi><mtext> </mtext><mfenced separators="|"><mrow><mo>-</mo><mfrac><mrow><msup><mrow><msup><mrow><mi>x</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo><msup><mrow><msup><mrow><mi>y</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow><mrow><mn mathvariant="normal">2</mn><msup><mrow><mi>σ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfrac></mrow></mfenced><mi mathvariant="normal">e</mi><mi mathvariant="normal">x</mi><mi mathvariant="normal">p</mi><mtext> </mtext><mfenced separators="|"><mrow><mi>i</mi><mfenced separators="|"><mrow><mn mathvariant="normal">2</mn><mi mathvariant="normal">π</mi><mfrac><mrow><mi>x</mi><mi mathvariant="normal">'</mi></mrow><mrow><mi>λ</mi></mrow></mfrac></mrow></mfenced></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983819&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983816&type= 71.96665955 9.31333351 式中， <math display="block" id="M51"><msup><mrow><mi>x</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup><mo>=</mo><mi>x</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">s</mi><mi>θ</mi><mo>+</mo><mi>y</mi><mi mathvariant="normal">s</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983829&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983825&type= 27.17799950 3.72533321 <math display="block" id="M52"><msup><mrow><mi>y</mi></mrow><mrow><mi mathvariant="normal">'</mi></mrow></msup><mo>=</mo><mo>-</mo><mi>x</mi><mi mathvariant="normal">s</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi><mi>θ</mi><mo>+</mo><mi>y</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">s</mi><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983837&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983833&type= 29.37933159 3.72533321 式（ 11 11 ）—（ 13 13 ）中， <math id="M53"><mi mathvariant="bold-italic">g</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983846&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983842&type= 2.11666679 3.47133350 表示Gabor滤波器， <math id="M54"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983875&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983872&type= 2.28600001 2.62466669 为使用的正弦函数的波长， <math id="M55"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983888&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983886&type= 1.77800000 2.70933342 表示其方向， <math id="M56"><mi>σ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983899&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983896&type= 2.45533323 2.62466669 是高斯函数的方差。在本文中， <math id="M57"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983875&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983872&type= 2.28600001 2.62466669 取值为 <math id="M58"><mo stretchy="false">[</mo><mn mathvariant="normal">0.5,1</mn><mo>,</mo><mn mathvariant="normal">2</mn><mo stretchy="false">]</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983882&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983879&type= 18.79599953 3.30200005 ， <math id="M59"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983888&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983886&type= 1.77800000 2.70933342 取值为 <math id="M60"><mo stretchy="false">[</mo><mn mathvariant="normal">0</mn><mo>°</mo><mo>,</mo><mn mathvariant="normal">45</mn><mo>°</mo><mo>,</mo><mn mathvariant="normal">90</mn><mo>°</mo><mo>,</mo><mn mathvariant="normal">135</mn><mo>°</mo><mo stretchy="false">]</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983894&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983891&type= 34.62866592 3.55599999 ， <math id="M61"><mi>σ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983899&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983896&type= 2.45533323 2.62466669 取值为 <math id="M62"><mo stretchy="false">[</mo><mn mathvariant="normal">1,2</mn><mo>,</mo><mn mathvariant="normal">3</mn><mo stretchy="false">]</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983907&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983902&type= 15.49400043 3.30200005 。因此，对于每个二维输入图像，可以获得共36个二维纹理特征矩阵。该特征矩阵描述了不同滤波情况下的图像纹理特征。 图6 图6 所示即为 <math id="M63"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983912&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983909&type= 2.28600001 2.62466669 取值为1， <math id="M64"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983918&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983916&type= 1.77800000 2.70933342 取值为 <math id="M65"><mn mathvariant="normal">90</mn><mo>°</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983924&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983922&type= 5.24933338 3.13266683 ， <math id="M66"><mi>σ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983932&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983928&type= 2.45533323 2.62466669 取值为［1，3］时4种典型场景的纹理特征图。 （4）结构特征。与纹理特征相比，结构特征是一种更高级别的图像特征，它类似于人类视觉感知的初级知识，提供了图像内容的重要信息（ Xu 等，2012 Xu 等，2012 ）。由于云内部的结构信息比非云区域的结构信息要少，因此结构信息对于云检测具有重要作用。对于输入图像 <math id="M73"><mi>I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983987&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983985&type= 1.43933344 2.62466669 ，其结构特征 <math id="M74"><mi mathvariant="bold-italic">S</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983992&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983990&type= 2.03200006 2.62466669 可以表示为 <math display="block" id="M75"><mtable columnalign="left"><mtr><mtd><mi mathvariant="bold-italic">S</mi><mo>=</mo><mi mathvariant="normal">a</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">g</mi><mtext> </mtext><mtable><mtr><mtd><mtext> </mtext></mtd></mtr><mtr><mtd><mi>s</mi></mtd></mtr></mtable><mtext> </mtext><mi mathvariant="normal">m</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>N</mi></mrow></munderover></mstyle><mrow><msup><mrow><mfenced separators="|"><mrow><msub><mrow><mi mathvariant="bold-italic">S</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><msub><mrow><mi>I</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow><mo>+</mo></mtd></mtr><mtr><mtd><mi>λ</mi><mfenced separators="|"><mrow><mfrac><mrow><msub><mrow><mi>Φ</mi></mrow><mrow><mi>x</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></mrow><mrow><msub><mrow><mi>Ψ</mi></mrow><mrow><mi>x</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced><mo>+</mo><mi>ε</mi></mrow></mfrac><mo>+</mo><mfrac><mrow><msub><mrow><mi>Φ</mi></mrow><mrow><mi>y</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></mrow><mrow><msub><mrow><mi>Ψ</mi></mrow><mrow><mi>y</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced><mo>+</mo><mi>ε</mi></mrow></mfrac></mrow></mfenced></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983997&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39983994&type= 48.17533112 20.74333191 式中， <math id="M76"><mi>ε</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984002&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984000&type= 1.94733346 2.62466669 是一个小常数， N 为图像数， <math id="M77"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984008&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984006&type= 2.28600001 2.62466669 为平衡值。 <math id="M78"><msub><mrow><mi>Φ</mi></mrow><mrow><mi>x</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984013&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984010&type= 4.06400013 3.80999994 ， <math id="M79"><msub><mrow><mi>Φ</mi></mrow><mrow><mi>y</mi></mrow></msub><mo stretchy="false">(</mo><mi>i</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984018&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984015&type= 8.63599968 4.57200003 ， <math id="M80"><msub><mrow><mi>Ψ</mi></mrow><mrow><mi>x</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984024&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984021&type= 8.12800026 3.72533321 和 <math id="M81"><msub><mrow><mi>Ψ</mi></mrow><mrow><mi>y</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984030&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984027&type= 8.12800026 4.06400013 表示为窗口 <math id="M82"><mi>R</mi><mo stretchy="false">(</mo><mi>i</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984034&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984033&type= 6.51933336 3.47133350 内的绝对空间差异，定义为 <math display="block" id="M83"><msub><mrow><mi>Φ</mi></mrow><mrow><mi>x</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced><mo>=</mo><munder><mo movablelimits="false">∑</mo><mrow><mi>j</mi><mo>∈</mo><mi>R</mi><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></mrow></munder><mrow><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mfenced open="|" close="|" separators="|"><mrow><msub><mrow><mfenced separators="|"><mrow><msub><mrow><mo>∂</mo></mrow><mrow><mi>x</mi></mrow></msub><mi mathvariant="bold-italic">S</mi></mrow></mfenced></mrow><mrow><mi>j</mi></mrow></msub></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984041&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984037&type= 34.54399872 8.46666718 <math display="block" id="M84"><msub><mrow><mi>Φ</mi></mrow><mrow><mi>y</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced><mo>=</mo><munder><mo movablelimits="false">∑</mo><mrow><mi>j</mi><mo>∈</mo><mi>R</mi><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></mrow></munder><mrow><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mfenced open="|" close="|" separators="|"><mrow><msub><mrow><mfenced separators="|"><mrow><msub><mrow><mo>∂</mo></mrow><mrow><mi>y</mi></mrow></msub><mi mathvariant="bold-italic">S</mi></mrow></mfenced></mrow><mrow><mi>j</mi></mrow></msub></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984045&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984043&type= 34.54399872 8.89000034 <math display="block" id="M85"><msub><mrow><mi>Ψ</mi></mrow><mrow><mi>x</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced><mo>=</mo><munder><mo movablelimits="false">∑</mo><mrow><mi>j</mi><mo>∈</mo><mi>R</mi><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></mrow></munder><mrow><mfenced open="|" close="|" separators="|"><mrow><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><msub><mrow><mfenced separators="|"><mrow><msub><mrow><mo>∂</mo></mrow><mrow><mi>x</mi></mrow></msub><mi mathvariant="bold-italic">S</mi></mrow></mfenced></mrow><mrow><mi>j</mi></mrow></msub></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984049&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984047&type= 34.54399872 8.46666718 <math display="block" id="M86"><msub><mrow><mi>Ψ</mi></mrow><mrow><mi>y</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced><mo>=</mo><munder><mo movablelimits="false">∑</mo><mrow><mi>j</mi><mo>∈</mo><mi>R</mi><mfenced separators="|"><mrow><mi>i</mi></mrow></mfenced></mrow></munder><mrow><mfenced open="|" close="|" separators="|"><mrow><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><msub><mrow><mfenced separators="|"><mrow><msub><mrow><mo>∂</mo></mrow><mrow><mi>y</mi></mrow></msub><mi mathvariant="bold-italic">S</mi></mrow></mfenced></mrow><mrow><mi>j</mi></mrow></msub></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984052&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984050&type= 34.54399872 8.89000034 式中， <math id="M87"><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984056&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984054&type= 5.07999992 4.57200003 为权值函数，其可以计算为 <math display="block" id="M88"><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mi mathvariant="normal">e</mi><mi mathvariant="normal">x</mi><mi mathvariant="normal">p</mi><mtext> </mtext><mfenced separators="|"><mrow><mo>-</mo><mfrac><mrow><msup><mrow><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><msub><mrow><mi>x</mi></mrow><mrow><mi>j</mi></mrow></msub></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo>+</mo><msup><mrow><mfenced separators="|"><mrow><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>j</mi></mrow></msub></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow><mrow><mn mathvariant="normal">2</mn><msup><mrow><mi>σ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfrac></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984060&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984059&type= 51.98533249 10.66800022 通过优化 式（14） 式（14） 即可获得图像的结构特征。在本文中，平衡值 <math id="M89"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984064&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984062&type= 2.28600001 2.62466669 设定为［0.005，0.010，0.015， 0.020］。 图7 图7 所示即为 <math id="M90"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984068&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984066&type= 2.28600001 2.62466669 设定0.005和0.015时4种典型场景的结构特征图。 （5）特征归一化。在上述反射率、光谱指数、纹理和结构特征获取之后，为了降低不同特征值取值范围对云检测结果的影响，将各维特征归一化（ Lin 等，2015 Lin 等，2015 ），即： <math display="block" id="M93"><mi mathvariant="bold-italic">F</mi><mi mathvariant="bold">'</mi><mo>=</mo><mfrac><mrow><mi mathvariant="bold-italic">F</mi><mo>-</mo><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="normal">m</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi></mrow></msub></mrow><mrow><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="normal">m</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">x</mi></mrow></msub><mo>-</mo><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="normal">m</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984088&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984084&type= 24.63800049 8.04333401 式中， <math id="M94"><mi mathvariant="bold-italic">F</mi><mi mathvariant="normal">'</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984095&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984091&type= 3.64066648 2.70933342 和 <math id="M95"><mi mathvariant="bold-italic">F</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984099&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984097&type= 2.53999996 2.62466669 是归一化后和归一化前的特征， <math id="M96"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="normal">m</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">x</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984104&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984102&type= 5.75733376 3.72533321 和 <math id="M97"><msub><mrow><mi mathvariant="bold-italic">F</mi></mrow><mrow><mi mathvariant="normal">m</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">n</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984107&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984106&type= 5.58799982 3.72533321 为该维特征的最大值和最小值。 利用上述反射率特征、光谱指数特征、纹理特征和结构特征，可获得CZI场景中每个像素点的空—谱特征信息，结合3.2节中自动提取的云与非云训练样本，即可训练支持向量机SVM（Support Vector Machine）分类器。通过该分类器，实现CZI场景中的初级云检测。本文使用的SVM是台湾大学林智仁教授开发的libsvm软件包，该软件包可在（ https：//www.csie.ntu.edu.tw/~cjlin/libsvm/ https://www.csie.ntu.edu.tw/~cjlin/libsvm/ ［2022-05-13］）免费下载。训练过程中，使用径向基核函数RBF（Radial Basis Function）和五重交叉验证法。 3.4 云检测后处理 2 经过上述SVM识别的云主要是场景中云的核心区域，对于边缘、孔洞等问题无法有效解决（ Kang 等，2019 Kang 等，2019 ）。获取的识别结果常出现边缘不清晰、云区域中存在未被识别的噪声点以及非云区域中被识别的云噪声点等情况。基于此，本文通过导向滤波、孔洞填充以及几何判别进一步提高云检测精度。 （1）导向滤波。导向滤波是一种边缘保持，噪声去除的方法，被广泛运用于图像处理中（ Zhang和Xiao，2014 Zhang和Xiao，2014 ； Kang 等，2019 Kang 等，2019 ）。导向滤波包含输入图像 <math id="M98"><mi>I</mi><mi>、</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984111&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984109&type= 4.99533367 2.96333337 引导图像 <math id="M99"><mi>G</mi><mi>、</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984115&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984113&type= 6.01133299 2.96333337 和经过滤波后得到输出图像 <math id="M100"><mi>Q</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984141&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984140&type= 2.53999996 3.38666677 。导向滤波的一个重要假设是输出图像 <math id="M101"><mi>Q</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984141&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984140&type= 2.53999996 3.38666677 和引导图像 <math id="M102"><mi>G</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984138&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984136&type= 2.37066650 2.62466669 在滤波窗口 <math id="M103"><msub><mrow><mi>ω</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984192&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984190&type= 3.55599999 3.72533321 上存在局部线性关系，即： <math display="block" id="M104"><msub><mrow><mi>Q</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>=</mo><msub><mrow><mi>α</mi></mrow><mrow><mi>k</mi></mrow></msub><msub><mrow><mi>G</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>+</mo><msub><mrow><mi>β</mi></mrow><mrow><mi>k</mi></mrow></msub><mo>,</mo><mtext> </mtext><mo>∀</mo><mi>i</mi><mo>∈</mo><msub><mrow><mi>ω</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984134&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984132&type= 34.79800034 4.74133301 以保证在一个局部区域里，如引导图像 <math id="M105"><mi>G</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984138&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984136&type= 2.37066650 2.62466669 有一个边缘时，输出图像 <math id="M106"><mi>Q</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984141&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984140&type= 2.53999996 3.38666677 也保持边缘不变，因为对于相邻的像素点，存在 <math id="M107"><mo>∇</mo><mi>Q</mi><mo>=</mo><msub><mrow><mi>α</mi></mrow><mrow><mi>k</mi></mrow></msub><mo>∇</mo><mi>G</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984145&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984143&type= 16.93333435 4.57200003 。上式中的 <math id="M108"><msub><mrow><mi>α</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984211&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984208&type= 3.21733332 3.72533321 和 <math id="M109"><msub><mrow><mi>β</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984217&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984214&type= 3.30200005 4.48733330 为 <math display="block" id="M110"><msub><mrow><mi>α</mi></mrow><mrow><mi>k</mi></mrow></msub><mo>=</mo><mfrac><mrow><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mfenced open="|" close="|" separators="|"><mrow><mi>ω</mi></mrow></mfenced></mrow></mfrac><msub><mo>∑</mo><mrow><mi>i</mi><mo>∈</mo><msub><mrow><mi>ω</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></msub><mrow><msub><mrow><mi>G</mi></mrow><mrow><mi>i</mi></mrow></msub><msub><mrow><mi>I</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><msub><mrow><mi>μ</mi></mrow><mrow><mi>k</mi></mrow></msub><msub><mrow><mover accent="true"><mi>I</mi><mo>¯</mo></mover></mrow><mrow><mi>k</mi></mrow></msub></mrow></mrow><mrow><msubsup><mrow><mi>δ</mi></mrow><mrow><mi>k</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>+</mo><mi>ε</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984157&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984155&type= 39.28533173 13.20800018 <math display="block" id="M111"><msub><mrow><mi>β</mi></mrow><mrow><mi>k</mi></mrow></msub><mo>=</mo><msub><mrow><mover accent="true"><mi>I</mi><mo>¯</mo></mover></mrow><mrow><mi>k</mi></mrow></msub><mo>-</mo><msub><mrow><mi>α</mi></mrow><mrow><mi>k</mi></mrow></msub><msub><mrow><mi>μ</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984161&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984159&type= 21.59000015 4.99533367 式中， <math id="M112"><msub><mrow><mi>μ</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984166&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984163&type= 3.47133350 4.48733330 和 <math id="M113"><msubsup><mrow><mi>δ</mi></mrow><mrow><mi>k</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984170&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984168&type= 2.96333337 4.06400013 分别是引导图像在窗口 <math id="M114"><msub><mrow><mi>ω</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984192&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984190&type= 3.55599999 3.72533321 内的均值和方差。 <math id="M115"><mfenced open="|" close="|" separators="|"><mrow><mi>ω</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984177&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984175&type= 4.57200003 3.72533321 是窗口 <math id="M116"><msub><mrow><mi>ω</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984192&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984190&type= 3.55599999 3.72533321 内的像素个数。 <math id="M117"><msub><mrow><mover accent="true"><mi>I</mi><mo>¯</mo></mover></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984184&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984183&type= 2.37066650 4.23333359 是输入图像 <math id="M118"><mi>I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984188&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984186&type= 1.43933344 2.62466669 在窗口 <math id="M119"><msub><mrow><mi>ω</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984192&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984190&type= 3.55599999 3.72533321 内的均值。最后，通过导向滤波后的输出图像可表示为 <math display="block" id="M120"><msub><mrow><mi>Q</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>=</mo><msub><mrow><mover accent="true"><mi>α</mi><mo>¯</mo></mover></mrow><mrow><mi>i</mi></mrow></msub><msub><mrow><mi>G</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>+</mo><msub><mrow><mover accent="true"><mi>β</mi><mo>¯</mo></mover></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984195&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984193&type= 20.82799911 4.99533367 式中， <math id="M121"><msub><mrow><mover accent="true"><mi>α</mi><mo>¯</mo></mover></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984200&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984198&type= 2.87866688 3.72533321 和 <math id="M122"><msub><mrow><mover accent="true"><mi>β</mi><mo>¯</mo></mover></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984204&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984202&type= 2.96333337 4.99533367 分别表示所有包含像素 <math id="M123"><mi>i</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984207&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984205&type= 1.10066664 2.62466669 的窗口的 <math id="M124"><msub><mrow><mi>α</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984211&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984208&type= 3.21733332 3.72533321 和 <math id="M125"><msub><mrow><mi>β</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984217&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984214&type= 3.30200005 4.48733330 的值的均值。在本文中，导向滤波的窗口大小设置为10， <math id="M126"><mi>ε</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984222&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984220&type= 1.94733346 2.62466669 设置为 <math id="M127"><msup><mrow><mn mathvariant="normal">10</mn></mrow><mrow><mo>-</mo><mn mathvariant="normal">4</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984227&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984224&type= 5.92666674 2.96333337 。 （2）孔洞填充。经过导向滤波后，可能会存在一个较大的云区域中，有较小的无云区域（即存在小的孔洞）。为了去除这部分孔洞的影响，本文将像素数小于50的孔洞进行填充。若存在像素数大于50的孔洞，则认为该部分为无云区域，不予填充。 （3）几何判断。自然界中的云形状一般较为规律，不会出现复杂的形状，或者是长条形的形状。如果检测出来的结果中存在长条形或者复杂的形状，则可能是冰雪、水陆岸线、道路等，应予以剔除。本文采用分型维度指数FRAC（Fractal dimension index）和长宽比LWR（Length to width ratio）判别。其中，某个区域的长宽尤其外接最小椭圆的长轴和短轴表示。则， <math display="block" id="M128"><mi mathvariant="normal">F</mi><mi mathvariant="normal">R</mi><mi mathvariant="normal">A</mi><mi mathvariant="normal">C</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">2</mn><mi mathvariant="normal">l</mi><mi mathvariant="normal">n</mi><mtext> </mtext><mfenced separators="|"><mrow><mi>p</mi><mi>e</mi><mi>r</mi><mi>i</mi><mi>m</mi><mi>e</mi><mi>t</mi><mi>e</mi><mi>r</mi><mo>/</mo><mn mathvariant="normal">4</mn></mrow></mfenced></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">n</mi><mtext> </mtext><mfenced separators="|"><mrow><mi>a</mi><mi>r</mi><mi>e</mi><mi>a</mi></mrow></mfenced></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984232&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984229&type= 39.28533173 9.56733322 <math display="block" id="M129"><mi mathvariant="normal">L</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">R</mi><mo>=</mo><mfrac><mrow><mi>L</mi><mi>e</mi><mi>n</mi><mi>g</mi><mi>t</mi><mi>h</mi></mrow><mrow><mi>W</mi><mi>i</mi><mi>d</mi><mi>t</mi><mi>h</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984238&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984235&type= 22.94466591 7.28133297 如果几何形状较为简单，则 <math id="M130"><mi mathvariant="normal">F</mi><mi mathvariant="normal">R</mi><mi mathvariant="normal">A</mi><mi mathvariant="normal">C</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984243&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984241&type= 9.31333351 2.70933342 的值接近1，如果几何形状非常复杂，则 <math id="M131"><mi mathvariant="normal">F</mi><mi mathvariant="normal">R</mi><mi mathvariant="normal">A</mi><mi mathvariant="normal">C</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984262&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984258&type= 9.31333351 2.70933342 的值接近2。如果几何形状狭长，则 <math id="M132"><mi mathvariant="normal">L</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984267&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984265&type= 7.87400007 2.70933342 的值较大。参考 Li等（2017） Li等（2017） 对GF数据的分析，本文将 <math id="M133"><mi mathvariant="normal">F</mi><mi mathvariant="normal">R</mi><mi mathvariant="normal">A</mi><mi mathvariant="normal">C</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984262&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984258&type= 9.31333351 2.70933342 的阈值设定为1.5， <math id="M134"><mi mathvariant="normal">L</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984267&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984265&type= 7.87400007 2.70933342 的阈值设定为4.5（ Li 等，2017 Li 等，2017 ）。 3.5 精度评价 2 本文采用在云检测中最常用的错误率ER（Error rate）指标对云检测结果精度评价。其定义为 <math display="block" id="M135"><mi mathvariant="normal">E</mi><mi mathvariant="normal">R</mi><mo>=</mo><mfrac><mrow><mi>C</mi><mi>N</mi><mo>+</mo><mi>N</mi><mi>C</mi></mrow><mrow><mi>T</mi><mi>N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984272&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984270&type= 23.96066666 7.36600018 式中， <math id="M136"><mi>T</mi><mi>N</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984277&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984275&type= 4.65666676 2.62466669 是场景图像的像素总数， <math id="M137"><mi>C</mi><mi>N</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984283&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984280&type= 4.91066647 2.62466669 是将云像素识别为非云像素的像素数， <math id="M138"><mi>N</mi><mi>C</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984289&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39984286&type= 4.74133301 2.62466669 是将非云像素识别为云像素的像素数。 4 云检测结果 1 为了验证本文提出云检测算法的有效性，其检测结果与目前最为常用的非监督云检测算法对比（ Kang 等，2019 Kang 等，2019 ）。这些对比算法包括K均值、ChanVese、PRS（ Zhang和Xiao，2014 Zhang和Xiao，2014 ）和暗通道算法（ Kang 等，2019 Kang 等，2019 ）。其中，K均值算法主要通过聚类将遥感图像分为云和非云两类；ChanVese通过图像分割实现云与非云的分类；PRS算法则通过逐步细化的方案（包括二值化、细节提取和导向滤波）实现云检测；暗通道法则利用暗通道信息提取云的细节信息实现云检测。 4.1 定性评价 2 图8 图8 所示为各算法的云检测结果图，其中白色部分表示算法检测到的云区域，黑色部分表示非云区域。最左侧为HY-1C遥感图像的真彩色图，最右侧为人工标注的云区域。从 图8 图8 可以看出，K均值方法将遥感图像聚类为云与非云两类，该方法只利用了遥感图像的反射率信息，像素点反射率较高的点都会被划分为云这一类：对于植被和土壤场景，会存在零散的误检测的云区域，而对于湿地和冰雪场景，由于水体的浑浊度较高以及冰雪的反射率较高，都会被划分为云区域，精度较低；ChanVese方法相较于K均值方法，零散点较小，但是也会存在K均值方法类似的错误分类高亮的水体和冰雪的情况；PRS算法则在逐步细化的过程中，会删除较多云区域，该算法较少地将非云区域识别为云区域，但是会将一部分云区域识别为非云区域，造成了较低的精度；暗通道算法在植被、土壤和冰雪场景具有较好的识别结果，但是对于湿地场景却无法给出云检测结果，这主要是由于湿地场景的云在暗通道上存在较多细节，这部分细节导致无法有效提取云样本，进而无法实现云识别；本文提出的算法，由于综合考虑了光谱、指数、纹理和结构特征，采用的训练样本提取方法能较精确提取训练样本，因而给出了最好的云检测结果。对比人工标注的云分布真实图，本文算法的云检测结果具有较好一致性。 4.2 定量评价 2 云检测算法在植被、土壤、湿地和冰雪的错误率如 表1 表1 所示。可以看出，K均值和ChanVese算法在这些场景的错误率相对较高；PRS算法在植被和土壤场景的错误率会更高，但是在湿地和冰雪的错误率会降低；暗通道算法在植被、土壤和冰雪场景的错误率比较低，但是在湿地场景却没有检测出云；本文提出的算法，在各个场景都具有最低的错误率。特别是对于湿地场景，浑浊水体所占像素数比例相对较高，错误率降低明显。证明了本文算法对于HY-1C遥感数据云检测的有效性。 注： 加粗为最优值。 2 场景 5 错误率 K均值 ChanVese PRS 暗通道 本文算法 植被 0.050 0.663 0.075 0.051 0.027 土壤 0.123 0.845 0.243 0.125 0.064 湿地 0.243 0.251 0.161 0.156 0.026 冰雪 0.109 0.108 0.080 0.052 0.049 4.3 白度指数影响评价 2 本文使用白度指数作为遥感图像细节信息提取数据源，并通过逐步细化过程精确提取云/非云样本。为了定量评价白度指数对于云检测的效果，本文对比不使用白度指数和使用白度指数（即本文算法）两种情况下的云检测错误率。云检测结果如 表2 表2 所示。可以看出，白度指数的引入降低了云检测的错误率，证明了白度指数对于云检测的有效性。 注： 加粗为最优值。 2 场景 4 错误率 植被 土壤 湿地 冰雪 不使用 0.028 0.074 0.026 0.075 使用 0.027 0.064 0.026 0.049 4.4 后处理精度评价 2 本文在获取初步云检测结果后，对其进行了导向滤波、孔洞填充以及几何判别的后处理。为评价后处理对于云检测精度提升效果，本文分别计算不进行后处理、仅进行导向滤波、仅进行孔洞填充、仅进行几何判别和进行这3种后处理方式的错误率，结果如 表3 表3 所示。 注： 加粗为最优值。 2 场景 5 错误率 无后处理 导向滤波 导向滤波+孔洞填充 导向滤波+几何判别 本文算法 植被 0.031 0.028 0.028 0.028 0.027 土壤 0.092 0.066 0.064 0.064 0.064 湿地 0.036 0.026 0.026 0.026 0.026 冰雪 0.058 0.050 0.050 0.049 0.049 从 表3 表3 可以看出，相较于 表1 表1 中的各方法的错误率，在不进行后处理的情况下，本文提出的算法相较于K均值、ChanVese、PRS和暗通道算法，仍具有较高精度。当引入导向滤波、孔洞填充和几何判别因素后，云检测精度进一步提升。特别是导向滤波的引入，可较大程度提升检测精度。孔洞填充和几何判别对精度提升的作用因场景而异。对于薄云和厚云交替复杂共存的场景（如土壤场景），孔洞填充能提升薄云的检测精度。对于地表有复杂形状或长条形干扰物的场景（如冰雪场景），几何判定能提升云的检测精度。这证明了引入后处理对于HY-1C遥感数据云检测的有效性，对于云检测业务化运行具有积极作用。 5 结 论 1 本文围绕HY-1C CZI遥感数据，设计了一套非监督云检测算法。该方法包含训练样本选择、特征提取、SVM分类和后处理4个过程。利用暗通道反射率、归一化植被指数和白度指数自动生成训练样本，通过提取遥感图像的反射率、光谱指数、纹理和结构特征，基于上述训练样本和特征，利用SVM实现云/非云区域的分类，并采用导向滤波、孔洞填充和几何判断进一步后处理结果，实现HY-1C遥感数据的云检测。该方法最大的优势在于：（1）无需人工标注即可自动提取高精度云与非云样本，提高了算法的应用能力；（2）充分利用近红外波段信息降低浑浊水体、冰雪等干扰物对云检测影响，提高了算法的检测精度。为验证本文算法的有效性，在4种典型场景（植被、土壤、湿地和冰雪场景）进行测试和分析。结果表明：从定性结果来看，相较于K均值、ChanVese、PRS和暗通道算法，本文云检测结果与人工标注的云分布真实图具有较好的一致性；从定量结果来看，本文提出的算法在植被、土壤、湿地、冰雪的错误率分别为0.027、0.064、0.026和0.049，相比暗通道算法在各个场景错误率分别可以降低0.024、0.061、0.13和0.003。综合以上分析，无论定性与定量结果，本文算法都表现出最好的性能。下一步研究将重点关注该算法在更多场景下的适用性测试，以及提取更能体现云与其他目标差异性的判别性深度特征，以进一步提升该算法对于HY-1C云检测的能力。 参考文献（References） An Z Y and Shi Z W . 2015 . Scene learning for cloud detection on remote-sensing images . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 8 ( 8 ): 4206 - 4222 [ DOI: 10.1109/JSTARS.2015.2438015 http://dx.doi.org/10.1109/JSTARS.2015.2438015 ] Scene learning for cloud detection on remote-sensing images Cheng Y , Sun Y , Peng L , He Y and Zha M . 2022 . An Improved Retrieval Method for Porphyra Cultivation Area Based on Suspended Sediment Concentration . Remote Sensing , 14 ( 17 ): 4338 [ DOI: 10.3390/rs14174338 http://dx.doi.org/10.3390/rs14174338 ] An Improved Retrieval Method for Porphyra Cultivation Area Based on Suspended Sediment Concentration Choi Y-J , Ban H-J , Han H-J and Hong S . 2022 . A Maritime Cloud-Detection Method Using Visible and Near-Infrared Bands over the Yellow Sea and Bohai Sea . Remote Sensing , 14 ( 3 ): 793 [ DOI: 10.3390/rs14030793 http://dx.doi.org/10.3390/rs14030793 ] A Maritime Cloud-Detection Method Using Visible and Near-Infrared Bands over the Yellow Sea and Bohai Sea Deng C W , Li Z , Wang W Z , Wang S G , Tang L B and Bovik A C . 2019 . Cloud detection in satellite images based on natural scene statistics and Gabor features . IEEE Geoscience and Remote Sensing Letters , 16 ( 4 ): 608 - 612 [ DOI: 10.1109/LGRS.2018.2878239 http://dx.doi.org/10.1109/LGRS.2018.2878239 ] Cloud detection in satellite images based on natural scene statistics and Gabor features Duan P ， Zhang F and Liu C J . 2022 . Extraction of the impervious surface of typical cities in Xinjiang based on Sentinel-2A/B and spatial difference analysis . National Remote Sensing Bulletin ， 26 ( 7 )： 1469 - 1482 Extraction of the impervious surface of typical cities in Xinjiang based on Sentinel-2A/B and spatial difference analysis 段潘 ， 张飞 ， 刘长江 . 2022 . 基于 Sentinel-2A/B 的新疆典型城市不透水面提取及空间差异分析 . 遥感学报 ， 26 ( 7 ): 1469 - 1482 [ DOI： 10.11834/jrs.20210174 http://dx.doi.org/10.11834/jrs.20210174 ] 基于 Sentinel-2A/B 的新疆典型城市不透水面提取及空间差异分析 Farbman Z , Fattal R , Lischinski D and Szeliski R . 2008 . Edge-preserving decompositions for multi-scale tone and detail manipulation . ACM Transactions on Graphics , 27 ( 3 ): 1 - 10 [ DOI: 10.1145/1360612.1360666 http://dx.doi.org/10.1145/1360612.1360666 ] Edge-preserving decompositions for multi-scale tone and detail manipulation Gomez-Chova L , Camps-Valls G , Calpe-Maravilla J , Guanter L and Moreno J . 2007 . Cloud-screening algorithm for ENVISAT/MERIS multispectral images . IEEE Transactions on Geoscience and Remote Sensing , 45 ( 12 ): 4105 - 4118 [ DOI: 10.1109/TGRS.2007.905312 http://dx.doi.org/10.1109/TGRS.2007.905312 ] Cloud-screening algorithm for ENVISAT/MERIS multispectral images Guo J , Yang J , Yue H and Li K . 2022 . Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment and Entropy Minimization . IEEE Transactions on Geoscience and Remote Sensing , 60 : 1 - 13 [ DOI: 10.1109/tgrs.2021.3067513 http://dx.doi.org/10.1109/tgrs.2021.3067513 ] Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment and Entropy Minimization He K M , Sun J and Tang X O . 2011 . Single image haze removal using dark channel prior . IEEE Transactions on Pattern Analysis and Machine Intelligence , 33 ( 12 ): 2341 - 2353 [ DOI: 10.1109/TPAMI.2010.168 http://dx.doi.org/10.1109/TPAMI.2010.168 ] Single image haze removal using dark channel prior Kang X D , Gao G H , Hao Q B and Li S T . 2019 . A coarse-to-fine method for cloud detection in remote sensing Images . IEEE Geoscience and Remote Sensing Letters , 16 ( 1 ): 110 - 114 [ DOI: 10.1109/LGRS.2018.2866499 http://dx.doi.org/10.1109/LGRS.2018.2866499 ] A coarse-to-fine method for cloud detection in remote sensing Images Li J J ， Cao J N ， Zhu Y Y and Cheng B B . 2020 . Built-up area detection from high resolution remote sensing images using geometric features . Journal of Remote Sensing , 24 ( 3 )： 233 - 244 Built-up area detection from high resolution remote sensing images using geometric features 李军军 ， 曹建农 ， 朱莹莹 ， 程贝贝 . 2020 . 高分辨率遥感影像建筑区域局部几何特征提取 . 遥感学报 ， 24 ( 3 )： 233 - 244 [ DOI： 10.11834/jrs.20208506 http://dx.doi.org/10.11834/jrs.20208506 ] 高分辨率遥感影像建筑区域局部几何特征提取 Li Z W , Shen H F , Li H F , Xia G S , Gamba P and Zhang L P . 2017 . Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery . Remote Sensing of Environment , 191 : 342 - 358 [ DOI: 10.1016/j.rse.2017.01.026 http://dx.doi.org/10.1016/j.rse.2017.01.026 ] Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery Liang C , Liu L , Liu J Q , Zou B , Zou Y R and Cui S X . 2020 . Extracting mangrove information using MNF transformation based on HY-1C CZI spectral indices reconstruction data . Haiyang Xuebao , 42 ( 4 ): 104 - 112 Extracting mangrove information using MNF transformation based on HY-1C CZI spectral indices reconstruction data 梁超 , 刘利 , 刘建强 , 邹斌 , 邹亚荣 , 崔松雪 . 2020 . 基于HY-1C CZI影像光谱指数重构数据MNF变换的红树林提取 . 海洋学报 , 42 ( 4 ): 104 - 112 [ DOI: 10.3969/j.issn.0253-4193.2020.04.012 http://dx.doi.org/10.3969/j.issn.0253-4193.2020.04.012 ] 基于HY-1C CZI影像光谱指数重构数据MNF变换的红树林提取 Lin C-H , Lin B-Y , Lee K-Y and Chen Y-C . 2015 . Radiometric normalization and cloud detection of optical satellite images using invariant pixels . ISPRS Journal of Photogrammetry and Remote Sensing , 106 : 107 - 117 [ DOI: 10.1016/j.isprsjprs.2015.05.003 http://dx.doi.org/10.1016/j.isprsjprs.2015.05.003 ] Radiometric normalization and cloud detection of optical satellite images using invariant pixels Liu J Q , Zeng T , Liang C , Zou Y R , Ye X M , Ding J , Zou B , Shi L J and Guo M H . 2020 . Satellite HY-1C and its applications in monitoring of natural disasters . Satellite Application , ( 6 ): 26 - 34 Satellite HY-1C and its applications in monitoring of natural disasters 刘建强 , 曾韬 , 梁超 , 邹亚荣 , 叶小敏 , 丁静 , 邹斌 , 石立坚 , 郭茂华 . 2020 . 海洋一号C卫星在自然灾害监测中的应用 . 卫星应用 , ( 6 ): 26 - 34 [ DOI: 10.3969/j.issn.1674-9030.2020.06.008 http://dx.doi.org/10.3969/j.issn.1674-9030.2020.06.008 ] 海洋一号C卫星在自然灾害监测中的应用 Liu J C ， Liu J Q ， Ding J and Lu Y C . 2022 . A refined imagery algorithm to extract green tide in the Yellow Sea from HY-1C satellite CZI measurements [J]. Haiyang Xuebao ， 44 ( 5 )： 1 - 11 A refined imagery algorithm to extract green tide in the Yellow Sea from HY-1C satellite CZI measurements 刘锦超 , 刘建强 , 丁静 , 陆应诚 . 2022 . HY-1C卫星CZI 载荷的黄海绿潮提取研究 . 海洋学报 , 44 ( 5 ): 1 - 11 [ DOI: 10.12284/hyxb2022097 http://dx.doi.org/10.12284/hyxb2022097 ] HY-1C卫星CZI 载荷的黄海绿潮提取研究 Luo S , Li H F and Shen H F . 2020 . Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset . ISPRS Journal of Photogrammetry and Remote Sensing , 167 : 443 - 457 [ DOI: 10.1016/j.isprsjprs.2020.07.016 http://dx.doi.org/10.1016/j.isprsjprs.2020.07.016 ] Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset Mahajan S and Fataniya B . 2019 . Cloud detection methodologies: variants and development—A review . Complex & Intelligent Systems , 6 ( 2 ): 251 - 261 [ DOI: 10.1007/s40747-019-00128-0 http://dx.doi.org/10.1007/s40747-019-00128-0 ] Cloud detection methodologies: variants and development—A review Otsu N . 1979 . A threshold selection method from gray-level histograms . IEEE Transactions on Systems, Man, and Cybernetics , 9 ( 1 ): 62 - 66 [ DOI: 10.1109/TSMC.1979.4310076 http://dx.doi.org/10.1109/TSMC.1979.4310076 ] A threshold selection method from gray-level histograms Peng L K , Liu L C , Chen X H , Chen J , Cao X and Qiu Y A . 2021 . Generalization ability of cloud detection network for satellite imagery based on DeepLabv 3 +. National Remote Sensing Bulletin , 25 ( 5 ): 1169 - 1186 Generalization ability of cloud detection network for satellite imagery based on DeepLabv 彭龙康 , 刘励聪 , 陈学泓 , 陈晋 , 曹鑫 , 邱岳安 . 2021 . 遥感影像云检测网络泛化性能研究: 以DeepLabv3+为例 . 遥感学报 , 25 ( 5 ): 1169 - 1186 [ DOI: 10.11834/jrs.20210061 http://dx.doi.org/10.11834/jrs.20210061 ] 遥感影像云检测网络泛化性能研究: 以DeepLabv3+为例 Ping B , Su F Z and Meng Y S . 2020 . A cloud and cloud shadow detection method based on fuzzy c-means algorithm . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 13 : 1714 - 1727 [ DOI: 10.1109/JSTARS.2020.2987844 http://dx.doi.org/10.1109/JSTARS.2020.2987844 ] A cloud and cloud shadow detection method based on fuzzy c-means algorithm Shen Y F , Liu J Q , Ding J , Jiao J N , Sun S J and Lu Y C . 2020 . HY-1C COCTS and CZI observation of marine oil spills in the South China Sea . Journal of Remote Sensing , 24 ( 8 ): 933 - 944 HY-1C COCTS and CZI observation of marine oil spills in the South China Sea 沈亚峰 , 刘建强 , 丁静 , 焦俊男 , 孙绍杰 , 陆应诚 . 2020 . 海洋一号C星光学载荷对海面溢油的识别能力分析 . 遥感学报 , 24 ( 8 ): 933 - 944 [ DOI: 10.11834/jrs.20209475 http://dx.doi.org/10.11834/jrs.20209475 ] 海洋一号C星光学载荷对海面溢油的识别能力分析 Sui S M ， Jia S F and Hu X Q . 2022 . Improvement of unified sample cloud detection technology and its application in GF-6 WFV cloud detection . National Remote Sensing Bulletin ， 26 ( 4 )： 646 - 656 Improvement of unified sample cloud detection technology and its application in GF-6 WFV cloud detection 隋淞蔓 ， 夹尚丰 ， 胡学谦 . 2022 . 统一样本云检测技术在GF-6 WFV上的改进与应用 . 遥感学报 ， 26 ( 4 )： 646 - 656 [ DOI： 10.11834/jrs.20220352 http://dx.doi.org/10.11834/jrs.20220352 ] 统一样本云检测技术在GF-6 WFV上的改进与应用 Stubenrauch C J , Rossow W B , Kinne S , Ackerman S , Cesana G , Chepfer H , Di Girolamo L , Getzewich B , Guignard A , Heidinger A , Maddux B C , Menzel W P , Minnis P , Pearl C , Platnick S , Poulsen C , Riedi J , Sun-Mack S , Walther A , Winker D , Zeng S and Zhao G . 2013 . Assessment of global cloud datasets from satellites: project and database initiated by the GEWEX radiation panel . Bulletin of the American Meteorological Society , 94 ( 7 ): 1031 - 1049 [ DOI: 10.1175/BAMS-D-12-00117.1 http://dx.doi.org/10.1175/BAMS-D-12-00117.1 ] Assessment of global cloud datasets from satellites: project and database initiated by the GEWEX radiation panel Wang J J ， Liu S H ， Li S ， Ye S , Wang X Q and Wang F Y . 2021 . Optimization Algorithm for Polarization Remote Sensing Cloud Detection Based on Machine Learning ［J］. Acta Photonica Sinica ， 50 ( 2 ): 174 - 182 Optimization Algorithm for Polarization Remote Sensing Cloud Detection Based on Machine Learning 汪杰君 , 刘少晖 , 李树 , 叶松 , 王新强 , 王方原 . 2021 . 基于机器学习的偏振遥感云检测优化算法 . 光子学报 , 50 ( 2 ): 174 - 182 [ DOI: 10.3788/gzxb20215002.022A8001 http://dx.doi.org/10.3788/gzxb20215002.022A8001 ] 基于机器学习的偏振遥感云检测优化算法 Wang Y Y ， Ma J J ， Li J H ， Hong J and Li Z Q . 2022 . Review of cloud polarimetric remote sensing . National Remote Sensing Bulletin ， 26 ( 5 )： 852 - 872 Review of cloud polarimetric remote sensing 王宇瑶 ， 麻金继 ， 李婧晗 ， 洪津 ， 李正强 . 2022 . 云偏振遥感综述 . 遥感学报 ， 26 ( 5 )： 852 - 872 [ DOI： 10.11834/jrs.20221404 http://dx.doi.org/10.11834/jrs.20221404 ] 云偏振遥感综述 Wang L M , Liu J , Gao J M , Yao B M , Yang F G and Zou J Q . 2019 . Winter wheat early identification based on HY-1C/CZI data . Chinese Agricultural Science Bulletin , 35 ( 33 ): 151 - 157 Winter wheat early identification based on HY-1C/CZI data 王利民 , 刘佳 , 高建孟 , 姚保民 , 杨福刚 , 邹金秋 . 2019 . 基于HY-1C/CZI数据的冬小麦早期识别研究 . 中国农学通报 , 35 ( 33 ): 151 - 157 [ DOI: 10.11924/j.issn.1000-6850.casb20190600232 http://dx.doi.org/10.11924/j.issn.1000-6850.casb20190600232 ] 基于HY-1C/CZI数据的冬小麦早期识别研究 Xie F Y , Shi M Y , Shi Z W , Yin J H and Zhao D P . 2017 . Multilevel cloud detection in remote sensing images based on deep learning . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 10 ( 8 ): 3631 - 3640 [ DOI: 10.1109/JSTARS.2017.2686488 http://dx.doi.org/10.1109/JSTARS.2017.2686488 ] Multilevel cloud detection in remote sensing images based on deep learning Xu L , Yan Q , Xia Y and Jia J Y . 2012 . Structure extraction from texture via relative total variation . ACM Transactions on Graphics , 31 ( 6 ): 139 [ DOI: 10.1145/2366145.2366158 http://dx.doi.org/10.1145/2366145.2366158 ] Structure extraction from texture via relative total variation Xu S Z and Zhong L X . 2021 . Application of deep learning in cloud detection of remote sensing imagery . Remote Sensing Information , 36 ( 3 ): 129 - 134 Application of deep learning in cloud detection of remote sensing imagery 徐少壮 , 钟来星 . 2021 . 深度学习在遥感影像云检测中的应用 . 遥感信息 , 36 ( 3 ): 129 - 134 [ DOI: 10.3969/j.issn.1000-3177.2021.03.018 http://dx.doi.org/10.3969/j.issn.1000-3177.2021.03.018 ] 深度学习在遥感影像云检测中的应用 Yao Z , Jia J and Qian Y . 2020 . MCNet: multi-scale feature extraction and content-aware reassembly cloud detection model for remote sensing images . Symmetry , 13 ( 1 ): 28 [ DOI: 10.3390/sym13010028 http://dx.doi.org/10.3390/sym13010028 ] MCNet: multi-scale feature extraction and content-aware reassembly cloud detection model for remote sensing images Zang J X ， Liu J Q ， Yin X B , Zeng T and Zhou L . 2022 . Study on sea ice classification of HY-1C satellite coastal zone imager images based on the optimal feature se . Haiyang Xuebao ， 44 ( 5 )： 35 - 46 Study on sea ice classification of HY-1C satellite coastal zone imager images based on the optimal feature se 臧金霞 , 刘建强 , 殷晓斌 , 曾韬 , 周磊 . 2022 . 基于最优特征集的 HY-1C卫星海岸带成像仪影像海冰分类方法研究 . 海洋学报 , 44 ( 5 ): 35 - 46 [ DOI: 10.12284/hyxb2022021 http://dx.doi.org/10.12284/hyxb2022021 ] 基于最优特征集的 HY-1C卫星海岸带成像仪影像海冰分类方法研究 Zhang B , Hu Y D and Hong J . 2021 . Cloud detection of remote sensing images based on H-SVM with multi-feature fusion . Journal of Atmospheric and Environmental Optics , 16 ( 1 ): 58 - 66 Cloud detection of remote sensing images based on H-SVM with multi-feature fusion 张波 , 胡亚东 , 洪津 . 2021 . 基于多特征融合的层次支持向量机遥感图像云检测 . 大气与环境光学学报 , 16 ( 1 ): 58 - 66 [ DOI: 10.3969/j.issn.1673-6141.2021.01.006 http://dx.doi.org/10.3969/j.issn.1673-6141.2021.01.006 ] 基于多特征融合的层次支持向量机遥感图像云检测 Zhang C , Zhang X Z and Yang C J . 2021 . Remote sensing image cloud and cloud shadow detection method based on RDA-net model . Laser and Optoelectronics Progress , 58 ( 20 ): 498 - 508 Remote sensing image cloud and cloud shadow detection method based on RDA-net model 张晨 , 张秀再 , 杨昌军 . 2021 . 基于RDA-Net模型的遥感影像云与云阴影检测方法 . 激光与光电子学进展 , 58 ( 20 ): 498 - 508 [ DOI: 10.3788/LOP202158.2028005 http://dx.doi.org/10.3788/LOP202158.2028005 ] 基于RDA-Net模型的遥感影像云与云阴影检测方法 Zhang Q and Xiao C . 2014 . Cloud detection of RGB color aerial photographs by progressive refinement scheme . IEEE Transactions on Geoscience and Remote Sensing , 52 ( 11 ): 7264 - 7275 [ DOI: 10.1109/TGRS.2014.2310240 http://dx.doi.org/10.1109/TGRS.2014.2310240 ] Cloud detection of RGB color aerial photographs by progressive refinement scheme Zhai H , Zhang H , Zhang L and Li P . 2018 . Cloud/shadow detection based on spectral indices for multi/hyperspectral optical remote sensing imagery . ISPRS Journal of Photogrammetry and Remote Sensing , 144 : 235 - 253 [ DOI: 10.1016/j.isprsjprs.2018.07.006 http://dx.doi.org/10.1016/j.isprsjprs.2018.07.006 ] Cloud/shadow detection based on spectral indices for multi/hyperspectral optical remote sensing imagery Zhou Q , Liu J Q , Wang J R , Deng S Q and Tian L Q . 2020 . Water turbidity monitoring of Zhiyin and Huangjia Lakes in Wuhan for COVID-19 epidemic using HY-1C CZI Data . Geomatics and Information Science of Wuhan University , 45 ( 5 ): 676 - 681 Water turbidity monitoring of Zhiyin and Huangjia Lakes in Wuhan for COVID-19 epidemic using HY-1C CZI Data 周屈 , 刘建强 , 王剑茹 , 邓实权 , 田礼乔 . 2020 . 利用HY-1C卫星CZI数据在COVID-19疫情期间武汉知音湖和黄家湖的浊度监测研究 . 武汉大学学报(信息科学版) , 45 ( 5 ): 676 - 681 [ DOI: 10.13203/j.whugis20200101 http://dx.doi.org/10.13203/j.whugis20200101 ] 利用HY-1C卫星CZI数据在COVID-19疫情期间武汉知音湖和黄家湖的浊度监测研究 Zhu Z , Wang S X and Woodcock C E . 2015 . Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4 - 7 , 8 , and Sentinel 2 images. Remote Sensing of Environment , 159 : 269 - 277 [ DOI: 10.1016/j.rse.2014.12.014 http://dx.doi.org/10.1016/j.rse.2014.12.014 ] Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats Zhu Z and Woodcock C E . 2012 . Object-based cloud and cloud shadow detection in Landsat imagery . Remote Sensing of Environment , 118 : 83 - 94 [ DOI: 10.1016/j.rse.2011.10.028 http://dx.doi.org/10.1016/j.rse.2011.10.028 ] Object-based cloud and cloud shadow detection in Landsat imagery 10.11834/jrs.20221535 P2 1007-4619（2023）01-0055-13 杨彬，郭金源，何鹏，叶小敏，刘建强.2023.面向HY-1C卫星CZI陆地遥感图像的云检测方法研究.遥感学报，27（1）： 55-67 杨彬，郭金源，何鹏，叶小敏，刘建强.2023.面向HY-1C卫星CZI陆地遥感图像的云检测方法研究.遥感学报，27（1）： 55-67 Yang B，Guo J Y，He P，Ye X M and Liu J Q. 2023. Research on cloud detection for HY-1C CZI remote sensing images collected over lands. National Remote Sensing Bulletin， 27（1）：55-67 Yang B，Guo J Y，He P，Ye X M and Liu J Q. 2023. Research on cloud detection for HY-1C CZI remote sensing images collected over lands. National Remote Sensing Bulletin， 27（1）：55-67 国家自然科学基金（编号： 41801227）； 湖南省自然科学基金（编号： 2019JJ50047） Supported by National Natural Science Foundation of China (No. 41801227); Natural Science Foundation of Hunan Province, China (No. 2019JJ50047) 2021-08-01 2023-01-07 2023-02-17 2022-05-23 遥感学报 1 27
文章被引用时，请邮件提醒。
提交
相关作者
杨彬 湖南大学 电气与信息工程学院
郭金源 湖南大学 电气与信息工程学院
何鹏 南华大学 机械工程学院
叶小敏 国家卫星海洋应用中心;自然资源部空间海洋遥感与应用重点实验室
刘建强 国家卫星海洋应用中心;自然资源部空间海洋遥感与应用重点实验室
唐娉 中国科学院空天信息创新研究院
胡昌苗 中国科学院空天信息创新研究院
张正 中国科学院空天信息创新研究院
相关机构
南华大学 机械工程学院
中国科学院空天信息创新研究院
湖北工业大学 计算机学院
武汉大学 电子信息学院
武汉大学 测绘遥感信息工程国家重点实验室
0
回到顶部