留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于反射率特性的高光谱遥感图像云检测方法研究

冯书谊 张宁 沈霁 叶盛 张震

冯书谊, 张宁, 沈霁, 叶盛, 张震. 基于反射率特性的高光谱遥感图像云检测方法研究[J]. 中国光学, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
引用本文: 冯书谊, 张宁, 沈霁, 叶盛, 张震. 基于反射率特性的高光谱遥感图像云检测方法研究[J]. 中国光学, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
FENG Shu-yi, ZHANG Ning, SHEN Ji, YE Sheng, ZHANG Zhen. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
Citation: FENG Shu-yi, ZHANG Ning, SHEN Ji, YE Sheng, ZHANG Zhen. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198

基于反射率特性的高光谱遥感图像云检测方法研究

doi: 10.3788/CO.20150802.0198
基金项目: 国家自然科学基金资助项目(No.61072135)
详细信息
    通讯作者: 冯书谊(1984—),男,湖南岳阳人,硕士,工程师,2006年于南京航空航天大学获得学士学位,2009年于上海交通大学获得硕士学位,主要从事星载数字图像处理及数据传输方面的研究。E-mail:feng_shu_yi@aliyun.com
  • 中图分类号: P407.8

Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics

  • 摘要: 为了提高光谱遥感图像数据的利用率,提出了一种基于光谱反射率特性的星载高光谱图像云检测方法。首先分析了各类地物在不同光谱下的反射率特征,根据其特点从星载高光谱图像中选取特定5个波长的图像数据,然后依照图像地物反射率及阈值判定法区分出高云区和中低云区,最后对二者合并,得到目标云区。试验结果表明,该方法的云检测率可达90%以上,虚警率在1%以内,可以准确区分云与雪地区域、沙漠区域以及植被区域,实现云检测。
  • 图  1  不同地物在不同波长谱段下的反射率分布[7]

    Figure  1.  Reflectivity with four types of background under different wavelength[7]

    图  2  基于光谱反射率特性的云检测流程

    Figure  2.  Flow of cloud detection based on spectral reflective characteristic

    图  3  特征提取算法云检测试验结果((a)、(c)、(e)为高光谱图像中的可见光波段图,(b)、(d)、(f)为云检测结果图)

    Figure  3.  Result of cloud detection based on feature extraction ((a)、(c)、(e) is the original hyperspectral image, while (b)、(d)、(f) is the corresponding test result)

    图  4  基于反射率特性的云检测试验结果((a)、(c)、(e)为高光谱图像中的可见光波段图,(b)、(d)、(f)为云检测结果图)

    Figure  4.  Result of cloud detection based on reflective characteristics((a)、(c)、(e) is the original hyperspectral image, while (b)、(d)、(f) is the corresponding test result)

    表  1  两种算法检测结果及对比

    Table  1.   Results and comparison of two algorithm

    图3(a)/图4(a)图(3)/图(4)图3(e)/图4(e)
    特征提取法本算法特征提取法本算法特征提取法本算法
    准确率/%86.3093.3092.3098.7095.3099.80
    虚警率/%2.500.603.600.104.700.20
    漏警率/%8.806.101.801.2000
    下载: 导出CSV
  • [1] 王颖,董戈.一种基于小波边缘检测的CLOUDSAT数据云检测方法研究[J].科学技术与工程,2009,9(13):3847-3849. WANG Y,DONG G. Application research of edge detection in cloud detection using wavelet transform based on C loudsat data[J]. Science Technology and Engineering,2009,9(13):3847-3849.(in Chinese)
    [2] 李微,方圣辉,佃袁勇,等.基于光谱分析的MODIS云检测算法研究[J].武汉大学学报,2005,30(5):435-438. LI W,FANG S H,DIAN Y Y,et al.. Cloud detection in MODIS data based on spectrum analysis[J]. Geometrics and Information Science of Wuhan University,2005,30(5):435-438.(in Chinese)
    [3] 马芳,张强,郭铌,等.多通道卫星云图云检测方法的研究[J].大气科学,2007,31(1):120-128. MA F,ZHANG Q,GUO N,et al.. The study of cloud detection with multi-channel data of satellite[J]. Chinese J. Atmospheric Sciences,2007,31(1):120-128.(in Chinese)
    [4] 闫宇松,龙腾.遥感图像的实时云判技术[J].北京理工大学学报,2010,30(7):817-821. YAN Y S,LONG T. Real-time cloud detection in optical remote sensing image[J] Transactions of Beijing Institute of Technology,2010,30(7):817-821.(in Chinese)
    [5] GOODMAN A H,HENDERSON-SELLERS A. Cloud detection and analysis:a review of recent progress[J]. Atmospheric Research,1988,21:20322.
    [6] CHOI H,BINDSCHADLER R. Cloud detection in Landsat imagery of ice sheets using shadow matching technique and automatic normalized difference snow index threshold value decision[J]. Remote Sensing of Environment,2004,91(2):237-242.
    [7] MICHAEL K. GRIFFIN,HSIAO-HUA K. BURKE,DAN MANDL,et al.. Cloud cover detection algorithm for EO-1 Hyperion imagery[J]. SPIE,2003,9(24):483.
    [8] YANG P,LIOU K N,GAO B,et al.. MODIS user manual[J]. NASA,1999:1-30.
    [9] 田卓,易凡,黄启俊,等.基于MODIS数据的卷云反射率的反演实现[J].光学与光电技术,2012,10(4):73-77. TIAN ZH,YI F,HUANG Q J,et al.. Realization of retrieving the cirrus clouds reflectivity based on MODIS data[J]. Optics & Optoelectronic Technology,2012,10(4):73-77.(in Chinese)
    [10] 陈道群,黄启俊,易凡,等.中纬度卷云光学特性的研究[J].光学与光电技术,2011,9(4):74-78. CHEN D Q,HUANG Q J,YI F,et al.. Study on optical properties of Mid-Latitude cirrus[J]. Optics & Optoelectronic Technology,2011,9(4):74-78.(in Chinese)
    [11] 廖子君,杨春平.可见光波段卷云散射特性的研究[J].光学与光电技术,2011,9(6):25-28. LIAO Z J,YANG CH P. Scattering properties of ice clouds in the visible light spectral region[J]. Optics & Optoelectronic Technology,2011,9(6):25-28.(in Chinese)
    [12] 杨嗣承,易凡,等.基于多重散射的卷云辐射传输特性[J].光学与光电技术,2012,10(1):32-36. YANG S CH,YI F,ZHANG X,et al.. Radiation transmission properties of cirrus based on multiple scattering[J]. Optics & Optoelectronic Technology,2012,10(1):32-36.(in Chinese)
    [13] 刘洋,田小建,王晴,等.采用局部分形的高效图像分割方法在红外云图处理中的应用[J].光学精密工程,2011,19(6):1368-1374. LIU Y,TIAN X J,WANG Q,et al.. Application of efficient image segmentation method based on local fractal in the infrared cloud image processing[J]. Opt. Precision Eng.,2011,19(6):1368-1374.(in Chinese)
    [14] 范冬娟,张韶华.高光谱影像反射率反演方法的研究[J].海洋测绘,2006:26(3):28-30. FAN D J,ZHANG SH H. Research on the methods of the reflectivity inversion of the high spectrum image[J]. Hydrographic Surveying and ChartinG,2006:26(3):28-30.(in Chinese)
    [15] MARK A. FOLKMAN,JAY PEARLMAN,LUSHALAN B. LIAO,et al.. EO-1/Hyperion hyperspectral imager design, development, characterization,and calibration[C]. SPIE,Hyperspectral Remote Sensing of the Land and Atmosphere,Sendai,Japan October.9,2000.
  • [1] 高升, 王巧华.  基于可见/近红外透射光谱技术的红提糖度和含水率无损检测 . 中国光学, 2020, 13(6): 1-13. doi: 10.37188/CO.2020-0085
    [2] 杜瑞建, 葛宝臻, 陈雷.  多视高分辨率纹理图像与双目三维点云的映射方法 . 中国光学, 2020, 13(5): 1055-1064. doi: 10.37188/CO.2020-0034
    [3] 张瑞琰, 姜秀杰, 安军社, 崔天舒.  面向光学遥感目标的全局上下文检测模型设计 . 中国光学, 2020, 13(6): 1-12. doi: 10.37188/CO.2020-0057
    [4] 姜玉刚, 刘华松, 王利栓, 陈丹, 李士达, 季一勤.  卫星激光防护薄膜窗口的设计与制备技术研究 . 中国光学, 2019, 12(4): 804-809. doi: 10.3788/CO.20191204.0804
    [5] 谭翠媚, 许廷发, 马旭, 张宇寒, 王茜, 闫歌.  图-谱结合的压缩感知高光谱视频图像复原 . 中国光学, 2018, 11(6): 949-957. doi: 10.3788/CO.20181106.0949
    [6] 闫歌, 许廷发, 马旭, 张宇寒, 王茜, 谭翠媚.  动态测量的高光谱图像压缩感知 . 中国光学, 2018, 11(4): 550-559. doi: 10.3788/CO.20181104.0550
    [7] 蒋丽媛, 刘定权, 马冲, 蔡清元, 高凌山.  温度变化对金属Ag膜反射镜偏振特性的影响研究 . 中国光学, 2018, 11(4): 604-609. doi: 10.3788/CO.20181104.0604
    [8] 梅风华, 李超, 张玉鑫.  光谱成像技术在海域目标探测中的应用 . 中国光学, 2017, 10(6): 708-718. doi: 10.3788/CO.20171006.0708
    [9] 齐冰洁, 刘金国, 张博研, 左洋, 吕世良.  高分辨率遥感图像SIFT和SURF算法匹配性能研究 . 中国光学, 2017, 10(3): 331-339. doi: 10.3788/CO.20171003.0331
    [10] 苗少峰, 李晨旭, 高苗, 邵晓鹏, 史学舜, 刘玉龙, 刘长明, 赵坤, 陈海东.  面向光学器件透反射率测量的声光调制型激光功率稳定系统设计 . 中国光学, 2016, 9(2): 263-269. doi: 10.3788/CO.20160902.0263
    [11] 吕涛, 付东辉, 陈小云, 刘杰.  利用DMD获取高动态范围图像技术 . 中国光学, 2015, 8(4): 644-650. doi: 10.3788/CO.20150804.0644
    [12] 张军强, 薛闯, 高志良, 颜昌翔.  云与气溶胶光学遥感仪器发展现状及趋势 . 中国光学, 2015, 8(5): 679-698. doi: 10.3788/CO.20150805.0699
    [13] 齐光, 王书新, 李景林.  空间遥感器高体份SiC/Al复合材料反射镜组件设计 . 中国光学, 2015, 8(1): 99-106. doi: 10.3788/CO.20150801.0099
    [14] 毕研盟, 王倩, 杨忠东, 谷松岩, 吴荣华, 刘成保.  星载近红外高光谱CO2遥感进展 . 中国光学, 2015, 8(5): 725-735. doi: 10.3788/CO.20150805.0725
    [15] APOLLONOV V V.  激光武器—谬论与展望 . 中国光学, 2014, 7(3): 491-498. doi: 10.3788/CO.20140703.0491
    [16] 曹海霞, 巴音贺希格, 崔继承, 张永超.  基于图像复原的高光谱图像前向像移补偿 . 中国光学, 2013, 6(6): 856-862. doi: 10.3788/CO.20130606.856
    [17] 杜小平, 刘明, 夏鲁瑞, 陈杭.  基于光谱角累加的高光谱图像异常检测算法 . 中国光学, 2013, 6(3): 325-331. doi: 10.3788/CO.20130603.0325
    [18] 杨利红, 赵变红, 张星祥, 任建岳.  点扩散函数高斯拟合估计与遥感图像恢复 . 中国光学, 2012, 5(2): 181-188. doi: 10.3788/CO.20120502.0181
    [19] 赵缨慰, 付秀华, 李珊, 宫大为.  多功能抗激光损伤高反射膜 . 中国光学, 2010, 3(3): 274-278.
    [20] 陈 娟, 陈乾辉, 师路欢, 吴建军.  图像跟踪中的边缘检测技术 . 中国光学, 2009, 2(1): 46-53.
  • 加载中
图(4) / 表 (1)
计量
  • 文章访问数:  427
  • HTML全文浏览量:  86
  • PDF下载量:  729
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-11-19
  • 录用日期:  2015-01-17
  • 刊出日期:  2015-04-25

基于反射率特性的高光谱遥感图像云检测方法研究

doi: 10.3788/CO.20150802.0198
    基金项目:  国家自然科学基金资助项目(No.61072135)
    通讯作者: 冯书谊(1984—),男,湖南岳阳人,硕士,工程师,2006年于南京航空航天大学获得学士学位,2009年于上海交通大学获得硕士学位,主要从事星载数字图像处理及数据传输方面的研究。E-mail:feng_shu_yi@aliyun.com
  • 中图分类号: P407.8

摘要: 为了提高光谱遥感图像数据的利用率,提出了一种基于光谱反射率特性的星载高光谱图像云检测方法。首先分析了各类地物在不同光谱下的反射率特征,根据其特点从星载高光谱图像中选取特定5个波长的图像数据,然后依照图像地物反射率及阈值判定法区分出高云区和中低云区,最后对二者合并,得到目标云区。试验结果表明,该方法的云检测率可达90%以上,虚警率在1%以内,可以准确区分云与雪地区域、沙漠区域以及植被区域,实现云检测。

English Abstract

冯书谊, 张宁, 沈霁, 叶盛, 张震. 基于反射率特性的高光谱遥感图像云检测方法研究[J]. 中国光学, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
引用本文: 冯书谊, 张宁, 沈霁, 叶盛, 张震. 基于反射率特性的高光谱遥感图像云检测方法研究[J]. 中国光学, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
FENG Shu-yi, ZHANG Ning, SHEN Ji, YE Sheng, ZHANG Zhen. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
Citation: FENG Shu-yi, ZHANG Ning, SHEN Ji, YE Sheng, ZHANG Zhen. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics, 2015, 8(2): 198-204. doi: 10.3788/CO.20150802.0198
    • 大气系统中有相当一部分地区表面被云层覆盖,造成多、高光谱卫星对地观测数据中存在大量含云图像数据,较大程度降低了遥感数据的利用率[1,2]。为了能够提高卫星对地观测数据的有效率,星载图像自主云检测就显得非常重要。

      目前国内从事星载实时云检测算法研究还未见公开报道,在地面应用中进行云检测的研究有中科院遥感中心、气象局及农情预测部门等单位[3]。研究中所采用的图像分别为MODIS、LANDSAT等多光谱及高光谱图像。其中北京理工大学承担地面站的云判读任务,通过模式识别与并行计算对可见光图像进行云判读[4]。其算法利用图像空间域或频率域特点作为判据,分别采用图像的均值、方差、边缘和熵构成四维空间,采用最小距离法对云和地物进行分类。

      国外云识别的方法主要以ISCCP方法、CLAVR方法等阈值方法为主[5,6]。其中ISCCP算法利用的波段为可见光(0.6 μm)和红外(11 μm)波段。把每一个像元的观测辐射值与晴空辐射值比较,若两者的差大于晴空辐射值本身的变化时,判定该像元点是云点。CLAVR算法以2×2像元窗口为基础,利用5个通道的光谱信息,采用决策树的方式使用固定或半经验的初始化阈值来识别区域图像是否为无云、部分有云和全云。

      现有的云检测算法大多需要提取图像的特征或进行复杂的决策判断,其计算量比较大,并不适用于星载高光谱图像的实时云检测。因此,本文提出了一种基于光谱反射率特性的星载高光谱图像云检测方法。

    • 由于高光谱图像的谱段数较多,首先需要对各谱段图像反射率特性进行分析,选取适当的谱段进行云检测。

      图  1  不同地物在不同波长谱段下的反射率分布[7]

      Figure 1.  Reflectivity with four types of background under different wavelength[7]

      图1[7]描述了云、雪、水体和植被在不同谱段下的反射率分布情况,由于不同地物在不同谱段下反射率差异比较大,因此可以据此进行地物种类区分。

      在0.58~0.68 μm之间的可见光波段,不同类型下垫面介质的反射率也明显不同。其中水体反射率最低,绿色植被其次,土壤和城镇反射率稍高。在此波段处,晴空数据地物具有较低的反射率,反射值在0~0.3之间。但云和雪在此波段的反射率一般高于0.6,明显高于其余下垫面的反射率。

      1.38 μm波长处于强的水汽吸收波段,地面的反射因水汽吸收难以到达传感器,导致反射率低,而高云上方的水汽对云的反射值削弱较少,因此该波段对高层卷云敏感,具有高的反射率,低云则具有低的反射率,通常低于0.02。

      雪和云在可见光波段具有相似的反射特性,因此在可见光范围内难以判读,但是在中、长红外谱段,云与雪的吸收特性相差较多。比如在1.64 μm短波红外波段中,雪因吸收太阳辐射强而导致反射率低,云则相对吸收太阳辐射少而反射率高。因此可在该谱段利用归一化雪指数方法进行判读。

      沙漠及亮度较高的土壤和云在可见光波段也具有相似的反射特性,而在1.25~1.65 μm短波红外波段则区别较为明显。云、雪和冰的反射率在此谱段区间内趋于降低,而沙漠和亮度高的土壤则相反,因此通过此波段区间的反射率特性进行沙漠和云雪冰的判别。

    • 通过对上述各敏感谱段下地物反射特性的分析,并根据特定谱段下地物反射率差异,采用反射率阈值法进行云检测。
      首先在高光谱图像中选择0.66、0.86、1.25、1.38、1.65 μm 5个谱段的光谱图像[7,8],而后根据光谱图像及太阳角等参数计算出相应谱段下的地物反射率[9,10,11,12,13],最后对应不同谱段的地物反射率进行阈值判定法确定云区域。
      范冬娟等人[14]提出了一种基于最小二乘的经验线法来计算光谱图像的地物反射率。传感器得到的像素值为DN,假定地表为近似朗伯反射体,去除交叉辐射效应的影响后得到像素值DN,同时假定地面辐射亮度与反射率之间存在线性关系,得到:

      D′N=K×ρ+b .(1)

      通过使用已知地物光谱响应值结合最小二乘法求出系数K,b的值,从而得到DN与反射率ρ的关系。可通过使用已知地物的光谱响应值与反射率,结合式(1)计算出线性系数,从而得到像素值与地物的反射率间的关系。

      确定反射率后进行各谱段的反射率阈值判定,流程如图2所示。

      图  2  基于光谱反射率特性的云检测流程

      Figure 2.  Flow of cloud detection based on spectral reflective characteristic

      由于1.38 μm谱段具有强水汽吸收特性,该波段对高层卷云敏感,具有高的反射率,因此首先对该波长的图像数据反射率进行阈值判断。设置阈值T1=0.23使得ρ地物T1ρ高云,反射率大于阈值T1的区域可为高云待定区域,小于T1的为中低云待定区域。

      对于高云待定区域,由于在1.65 μm短波红外波段中,雪因吸收太阳辐射强而导致反射率低,云则相对吸收太阳辐射少而反射率高,可以用1.65 μm波段的图像数据反射率进一步进行云雪判断。设置判别阈值T2=0.4,使得ρ雪1T1ρ高云2,该波段图像数据的反射率大于阈值T2的即为高云。

      接下来检测波长为0.66 μm的图像数据,由于此波长图像数据中ρ水、土ρ低云ρ水、土ρ雪2ρ水、土ρ沙漠。设置水、土壤判别阈值T3=0.4,使ρ水、土T3ρ低云ρ水、土T3ρ雪2ρ水、土T3ρ沙漠。把反射率低于阈值T3的水体以及土壤区域滤除,而将高于该阈值的云区域、雪区域以及沙漠岩石区域作进一步的筛选。

      接着检测波长为0.86 μm的图像反射率值,并计算其与0.66 μm的反射率比值ρ0.66/ρ0.86。由于植被在波长为0.66 μm图像数据的反射率较低而在波长为0.86 μm的图像数据的反射率较高,而云在两个波段的反射率没有明显区别,所以云在这两个波段的反射率比值要大于T4,植被在这两个波段的反射率的比值小于T4,取T4=0.4,使得归一化沙漠岩石指数DSIT5DSIDSIT5DSI低云。比值小于阈值0.4的区域为植被区域,因而排除了植被区域,得到含有沙漠岩石、雪区和低云区的非植被区域。

      对上述得到的非植被区域后,选取1.25和1.65 μm谱段的反射率,计算DSI,排除沙漠岩石区域。DSI定义如下:

      设阈值T5=0.3,将DSI小于0.3的区域作为沙漠岩石区域被排除。

      对排除沙漠岩石区域后的图像信息,对其1.25 μm谱段的反射率进行阈值分析排除,通过实验计算得到雪的反射率ρ雪3和中低云的反射率ρ低云2,由实验得到ρ雪3ρ低云2,设置雪区域的判别阈值T6=0.6,反射率小于阈值T6的区域为雪区域,反射率大于T6的区域为中低云区域[15]

      对中低云待定区域进行植被区域、沙漠岩石区域、雪区域以及对水体以及土壤区域的排除,最终得到中低云区域。

    • 为了验证算法的通用性,文中选用不同数据进行试验,其中包括了云、岩石、沙漠、雪、植被及水体等多种下垫面。 特征提取算法云检测试验结果((a)、(c)、(e)为高光谱图像中的可见光波段图,(b)、(d)、(f)为云检测结果图) Result of cloud detection based on feature extraction ((a)、(c)、(e) is the original hyperspectral image, while (b)、(d)、(f) is the corresponding test result) 图3(a)4(a)的以海洋为下垫面,图3(b)4(b)以沙漠及岩石为下垫面,图3(c)4(c)选取了由植被、土壤、河流及雪为背景的复杂下垫面图像。目标图像分辨率为1 024 pixel×1 024 pixel。

      闫宇松[4]等人采用特征提取的算法实现了云剔除,与此类似,在本实验中我们将样图分割为若干个方块,每个方块的大小为64 pixel×64 pixel,计算各方块图像灰度、频率及纹理特征,并以分类的方式对各方块进行了识别。试验结果如图3所示。

      虽然该算法也可较为准确的识别云区,但由于将图像进行了子块分割,所识别出的云图具有方块效应,对于云方块中的有效目标也将被剔除,影响了云检测的准确率。减小分割方块的大小可以提高检测率,但会极大地增加运算复杂度, 基于反射率特性的云检测试验结果((a)、(c)、(e)为高光谱图像中的可见光波段图,(b)、(d)、(f)为云检测结果图) Result of cloud detection based on reflective characteristics((a)、(c)、(e) is the original hyperspectral image, while (b)、(d)、(f) is the corresponding test result) 同时由于该算法中还使用了频域变换及迭代等复杂运算,硬件系统中也使用了多块DSP结合FPGA来实现,因此硬件实现的要求相对较高。

      相对于上述基于特征提取的云检测算法,本文提出的基于反射率特性的云检测算法不需对图像进行分割,云区轮廓的检测也不依赖于形态学方法,只需在计算地物反射率后设置多阶滤波器进行区分和判别,识别率优于形态学检测算法且实现方法简单。

      试验结果如图4所示。 可以看出,本算法可实现不同背景下云区的识别,其中对厚云的检测结果较好,对能透过并看到地面景物的薄云并未剔除,从而保留了薄云下的地物信息。将检测结果和人工判读结果进行对比,结果如表1所示。从结果可以看出,云检测的准确率均在90%以上,并且检测的虚警率很低,很少有非云区被当做云层,这样能在最大程度保留地物信息的基础上去除无用的云区。本算法可以检测出海洋、沙漠上空的云,并能较好地区分和云类似的雪区,已达到预期检测效果。

      表 1  两种算法检测结果及对比

      Table 1.  Results and comparison of two algorithm

      图3(a)/图4(a)图(3)/图(4)图3(e)/图4(e)
      特征提取法本算法特征提取法本算法特征提取法本算法
      准确率/%86.3093.3092.3098.7095.3099.80
      虚警率/%2.500.603.600.104.700.20
      漏警率/%8.806.101.801.2000
    • 本文分析了不同地物在不同波段的光谱反射特性,利用基于5个特征谱段的反射率阈值判定法进行了多光谱数据的云检测处理。对不同背景的数据进行测试,并对结果进行了对比分析。从试验结果可以看出,本算法具有一定通用性,检测效果较为理想。该云检测算法具有以下优势:
      (1)本算法可有效地区分云层及各种下垫面,包括沙漠、岩石、植被及雪等,检测准确率可达90%以上。
      (2)本算法不依赖于云的形态,运算量相对较小,适合于星载高光谱图像的云检测。
      (3)进行了归一化处理,部分消除了太阳角及大气程辐射的误差。
      但是本算法也存在一定不足,主要是在反射率的计算上进行了一定的假设和简化,对大气吸收及散射、探测器误差及复杂地形特性未进行充分考虑,会在一定程度上影响云检测的准确度。

参考文献 (15)

目录

    /

    返回文章
    返回