《城市遥感:原理、方法和应用》成果

模式识别是20世纪60年代初迅速发展起来的一门学科，它所研究的理论和方法在很多学科和技术领域中得到了广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的领域。计算机技术的发展，使得模式识别技术在遥感领域中得到了广泛的应用，并给云检测提供了另一个有效的途径。模式识别的遥感图像云检测方法结构如图7-5所示，该类方法的研究有两个关键点:第一点是如何进行云的特征提取和选择；第二点就是如何进行云的检测器设计。

图7-5　模式识别云检测方法结构

不同的特征对于云的检测能力是不同的，如何提取并优选云的特征是云区检测的关键问题。云的类型多样，形态各异，很难用单一的形状和尺寸特征去描述，但是其内在的物理特性和成像属性共同决定了其图像所呈现的特征。云的物理特性包括高反射率和呈自然晶体状。成像属性可以概括为大尺度和特有的空间分布。高反射率和大尺度的特性在影像上表现为光谱特征，自然晶体特性在影像上表现为分形几何特征，而特有的空间分布在影像上的表现则为纹理特征。

云层在0.3～0.7μm的可见光范围内和从0.7μm至2.5μm近红外波谱范围内的散射平均，且在此波段范围内均有较高的反射率，但是它与波长的变换趋势相反，若波长减小，云的光谱反射率会增加，当波长减小到0.7μm时，云的反射率接近于1。在0.58～0.68μm波段范围内，晴空无云区域的地物反射较少，而雪在此波段内的反射较高，反射率为0.6。1.38μm是强水汽吸收波段，因为水蒸气会影响地表的反射，使得它很难穿透水汽进而到达传感器入口处。这在一定程度上导致低处的云层具有较低的反射率，而高处的云层具有很高的反射率。(www.xing528.com)

纹理特征既可以从宏观上较好地兼顾图像结构，也可以从微观描述图像特性，被称作是三大显著性低层视觉特征之一。图像上面某一个像素块内的纹理特性与其灰度分布密切相关，它是在多个像素点区域内进行统计。云的形态各异且无固定类型，因而其纹理具有随机性，但是它又与下垫面地物之间有很大的差异，云的灰度较集中，都分布于某一范围内且灰度值普遍高于下垫面地物。对于云的三种纹理特征——灰度共生矩阵、傅里叶功率谱和小波，小波特征的分类能力最好，其次是灰度共生矩阵特征，傅里叶功率谱特征的分类能力最差。灰度共生矩阵中选择了对比度、均值、方差、平方和、相关、同质性(角二阶矩)和熵，其中熵的分类能力最好，其次是同质性。常见的三种纹理特征提取方法为小波变换法(WT)，奇异值分解法(SVD)和基于灰度的共生矩阵法(GLCM)，将这三种特征提取方法均应用在PNN神经网络上进行比较，三种特征云分类的正确率接近，但从分类的效果上看，SVD和GLCM比WT稍好，由于GLCM的存储量大，计算量大，所以从综合性能比较来看，SVD更好。

此外，随着模式识别、机器学习和计算机视觉技术的成熟，影像分类领域取得了一系列突破。基于分类器的云检测方法无需确定大规模阈值或最优特征值而被广泛使用，Movia等(2016)利用不同波段计算出指数特征，结合无监督分类方法，实现了用于土地利用分析的RGB-VHR图像的阴影检测与去除。Surya等(2015)利用光谱影像匹配技术进行颜色变换并生成比率影像，然后应用模糊C均值聚类方法进行云检测。Tian等(2001)设计出一种概率神经网络分类器，利用时序上下文信息跟踪影像序列中的变化，并在训练和更新方案中采用最大似然(ML)准则。Vivone等(2014)在经典的最大后验概率-马尔可夫随机场(MAP-MRF)方法中引入了一种新的惩罚项，以减少接近云边缘像素的错分类。为了实现特征的自动提取，近年大量深度学习模型被应用于以像素或分割的超像素为研究对象的目标检测中，该类模型主要以卷积、池化操作为中心，设计深层网络模型结构，从而实现分类效果(图7-6)。

图7-6　基于卷积神经网络的云检测方法