城市遥感影像云检测方法

目前遥感图像云检测方法众多，总的来说有物理方法、基于云的纹理特性和空间特性的检测方法、模式识别的检测方法和综合优化方法等(图7-1)。其中，应用最多的方法为物理阈值法，如Saunders等(1988)提出的云检测方法，它选用一组物理阈值进行云检测。Ackerman等(1998)提出的云检测方法应用于MODIS数据，它综合考虑了几种光谱谱段进行阈值检测的结果，最后判断某个给定像素是否是云。该方法相对于以前的物理阈值法检测更为精确，但是在某些特定的条件下，如夜间下垫面为沙漠区域时，以及下垫面为海岸线、河流和内陆湖泊时，由于云和下垫面的反射率相近，难以进行正确的辨别，因而有时会检测出错误的云(图7-2)。

图7-1　云检测方法分类(www.xing528.com)

物理阈值法因为依据某些光谱谱段的数据进行检测，所以一般仅局限于特定的遥感器数据，普适性较差。还有一些云检测方法仅作用于局部的地理区域或背景区域，如Ebert(1987)、Key等(1989)和Welch等(1992)提出的云检测方法关心的是极地地区云和地表的区分；Garand(2009)提出的云模式自动分类方法，它基于高度、反照率、形状、云的分层特征以及图像的二维功率谱特征，但仅适用于在海洋背景上的情况。另一类较复杂的遥感图像云检测技术是人工智能技术发展的结果，但它们中的大部分需要依赖于辅助数据来设置阈值。如Merchant等(2010)的全概率贝叶斯法，使用气候学和数字天气预报的预报数据来建立先验知识，Baum等(1997)提出的模糊逻辑分类方法，它基于气团的类型来区分晴空和云。无论是哪种遥感图像的云检测方法，对于薄云和低云，由于和下垫面之间的亮度对比度很低，不管是在建立可靠的训练数据上，还是在设置光学阈值上都比较困难，因此这是遥感图像云检测面临的一大难点，也是各国研究人员面临的一个极具挑战性的工作。