“高分七號”衛(wèi)星遙感影像自動(dòng)云檢測

李俊杰 傅俏燕

“高分七號”衛(wèi)星遙感影像自動(dòng)云檢測

李俊杰 傅俏燕

（中國資源衛(wèi)星應(yīng)用中心，北京 100094）

云是光學(xué)衛(wèi)星遙感影像主要的噪聲源之一，會(huì)遮蔽或不同程度干擾影像上的地物信息，影像云檢測得到的云量和云掩膜對衛(wèi)星影像的生產(chǎn)和后續(xù)的數(shù)據(jù)分析使用非常重要。文章針對“高分七號”（GF-7）衛(wèi)星等高分辨率遙感影像的波段特點(diǎn)，提出了一種基于光譜信息和自適應(yīng)閾值的4波段多光譜影像自動(dòng)云檢測方法。該方法首先對待檢測影像進(jìn)行分塊并計(jì)算其云指數(shù)，然后基于云指數(shù)影像上云和地物的差異特性自適應(yīng)分割得到云區(qū)，最后對分塊影像拼接并進(jìn)行形態(tài)學(xué)處理，得到最終的云量和云掩模。GF-7衛(wèi)星多光譜影像自動(dòng)云檢測實(shí)際應(yīng)用結(jié)果顯示，厚云和半透明的薄云識別精度較高，可以比較精確地檢測影像上不同類型的云，能夠滿足海量數(shù)據(jù)自動(dòng)化云檢測處理的需要。

光學(xué)遙感影像 云指數(shù) 自動(dòng)云檢測 最大類間方差法“高分七號”衛(wèi)星 航天遙感

0 引言

在地球軌道上活躍運(yùn)行的遙感衛(wèi)星中，光學(xué)成像衛(wèi)星占比超過一半。光學(xué)遙感衛(wèi)星可以快速、大范圍地重復(fù)獲取地表信息，其成像數(shù)據(jù)廣泛應(yīng)用于國土、環(huán)保、農(nóng)業(yè)、軍事等領(lǐng)域。不過光學(xué)遙感衛(wèi)星影像常常受限于云的影響，云是光學(xué)遙感影像的主要噪聲源之一，會(huì)不同程度遮蔽地物，影響數(shù)據(jù)的使用。依據(jù)國際衛(wèi)星云氣候項(xiàng)目的通量數(shù)據(jù)（ISCCP-FD）數(shù)據(jù)集估計(jì)，全球年平均云覆蓋率約為66%[1]。在全球范圍內(nèi)，Landsat衛(wèi)星的ETM+的單景陸地影像的平均云量約為35%[2]。

光學(xué)衛(wèi)星遙感影像的使用分析需盡量避開影像上云的影響。對光學(xué)影像進(jìn)行云檢測，提供云量（百分比值）和云掩模（二值圖），有利于提高光學(xué)影像的利用率，增強(qiáng)使用的便捷性。然而，由于云層和地球表面的光譜變化較大，自動(dòng)準(zhǔn)確地將云層與地表區(qū)分開并非易事[3]。

云檢測被看作光學(xué)影像進(jìn)行后續(xù)識別、分類和解譯的關(guān)鍵[4]。國際上使用廣泛的MODIS、Landsat和Sentinel-2數(shù)據(jù)都有業(yè)務(wù)化運(yùn)行較為成熟的云檢測方法[5-7]，很多學(xué)者對這些數(shù)據(jù)的云檢測方法也進(jìn)行了卓有成效的研究[8-11]。上述數(shù)據(jù)的云檢測算法普遍使用了中波紅外、熱紅外和卷云波段，但是相當(dāng)數(shù)量的光學(xué)衛(wèi)星影像缺少中波和熱紅外波段，一般只有4個(gè)可見光譜段（藍(lán)、綠、紅和近紅外），例如國內(nèi)的“高分一號”、“高分二號”、“高分七號”、“資源三號”系列光學(xué)衛(wèi)星影像。針對常規(guī)的4波段光學(xué)遙感影像進(jìn)行精確的自動(dòng)云檢測具有很大的挑戰(zhàn)性，國內(nèi)外學(xué)者提出了較多的云檢測方法，主要有四大類：1）利用光譜信息（或圖像信息）的固定閾值和動(dòng)態(tài)閾值方法[12]。該方法主要利用云在可見光波段具有很強(qiáng)反射的特性，使用較為廣泛，但該類算法對閾值的敏感程度較高，同一衛(wèi)星數(shù)據(jù)因時(shí)間、天氣等原因，檢測閾值將發(fā)生巨大變化，因此，該類方法的局限性較大[13]。2）使用圖像紋理和空間特性檢測云的方法[14-15]。紋理方法在缺乏足夠光譜信息時(shí)普適性好，但云稀疏分布時(shí)精度較低[16]。3）基于樣本和分類器的模式識別方法[17]。此類方法依賴大量的訓(xùn)練樣本和分類器取得好的精度，并且針對不同數(shù)據(jù)需要重新選取樣本。4）綜合性方法，前述幾種方法的結(jié)合使用[13, 18-19]，效果不錯(cuò)，但大多依賴先驗(yàn)知識。

針對“高分七號”（GF-7）衛(wèi)星多光譜影像只有可見光和近紅外4個(gè)波段，本文提出了一種基于光譜信息和自適應(yīng)閾值的自動(dòng)云檢測方法，利用云和地物的光譜特性差異，無需依賴預(yù)先確定的閾值和先驗(yàn)信息，不用人工干預(yù)，自動(dòng)檢測效率較高。經(jīng)GF-7衛(wèi)星多光譜影像自動(dòng)云檢實(shí)際驗(yàn)證，該方法簡單有效，可以對影像上不同類型的云做出比較精確的檢測，能夠滿足海量數(shù)據(jù)云檢測自動(dòng)化處理的需要。

1 云檢測方法

本文提出的云檢測方法主要步驟為：1）影像分塊和計(jì)算分塊影像的大氣層頂（Top of Atmospheric，TOA）反射率；2）生成云指數(shù)影像，利用霧度優(yōu)化變換指數(shù)（Haze Optimized Transform，HOT）和平均反射率指數(shù)（Cloud Index，CI）計(jì)算公式，得到云指數(shù)影像，作為后續(xù)自適應(yīng)閾值分割的基底影像；3）基于云指數(shù)影像自適應(yīng)閾值分割提取云區(qū)，首先使用HOT指數(shù)影像，基于該影像像元值的直方圖統(tǒng)計(jì)分位數(shù)進(jìn)行分割得到可能云區(qū)，然后在可能云區(qū)的CI指數(shù)影像上用OTSU（最大類間方差）方法獲取閾值，分割得到確定云區(qū)，兩個(gè)關(guān)鍵閾值自動(dòng)確定的方法詳細(xì)說明見1.3；4）拼接和云區(qū)形態(tài)學(xué)處理，得到最終的云量和云掩膜（云和晴空區(qū)域的二值圖，1為云，0為晴空），完成云檢測。圖1為云檢測方法流程框圖。

圖1 云檢測方法流程

1.1 影像分塊和TOA反射率計(jì)算

待檢測單景影像數(shù)據(jù)分塊，每塊大小為1 024像元×1 024像元。

云指數(shù)的計(jì)算需要基于大氣層頂反射率，因此首先要計(jì)算分塊影像的TOA反射率。影像的DN值需轉(zhuǎn)換為輻亮度，以便最大程度地減少儀器輻射校準(zhǔn)的變化；然后轉(zhuǎn)換為大氣層頂反射率，從而最大程度地減少因日地距離、太陽的高度角和光譜波段不同導(dǎo)致的大氣外太陽輻照度差異而引起的遙感變化[20]。

可以使用實(shí)驗(yàn)室或外場絕對定標(biāo)系數(shù)把波段的DN值轉(zhuǎn)為輻亮度。GF-7衛(wèi)星多光譜影像DN值轉(zhuǎn)換為輻亮度的計(jì)算公式為

L=(DN–)/（1）

式中L是衛(wèi)星載荷第波段入瞳處等效輻射亮度；和分別為該波段定標(biāo)系數(shù)增益、偏移量。

計(jì)算各波段的大氣層頂反射率B

式中B為第波段的大氣層頂反射率（無量綱）；π為常量；為日地距離（天文單位）；E為第波段大氣層頂?shù)钠骄柟庾V輻照度；為太陽的天頂角。

1.2 云指數(shù)HOT和CI影像生成

HOT指數(shù)利用GF-7衛(wèi)星多光譜波段的藍(lán)、紅波段來增強(qiáng)云和地物的差異性。文獻(xiàn)[21]首次提出了HOT指數(shù)的概念，作者認(rèn)為在晴空條件下，大多數(shù)陸地表面的可見光波段高度相關(guān)，但是藍(lán)、紅波段對霧霾和薄云的光譜響應(yīng)不同。HOT指數(shù)可以用來區(qū)分云（薄云和厚云）和晴空像元，但是會(huì)包含一些高亮地物像元[3]。

計(jì)算分塊影像的HOT指數(shù)得到HOT指數(shù)影像，計(jì)算公式為

式中1、3分別表示波段1（藍(lán)）、波段3（紅）的大氣層頂反射率。

CI指數(shù)使用GF-7衛(wèi)星多光譜的4個(gè)波段計(jì)算像元的平均反射率來增強(qiáng)云和地物的差異性，云在上述4個(gè)波段反射率都高，而地物只是某一個(gè)或幾個(gè)波段反射率高。計(jì)算分塊影像的CI指數(shù)得到CI指數(shù)影像，計(jì)算公式為

式中2和4分別表示波段2（綠）和波段4（近紅外）的大氣層頂反射率。

CI影像的值域范圍為0~1，為降低后續(xù)處理的計(jì)算復(fù)雜度，將其拉伸到0~255整型值域范圍，計(jì)算公式為

式中 CIuint8為CI影像拉伸后的值；CImin為CI影像上的最小值；CImax為CI影像上的最大值。

1.3 自適應(yīng)閾值提取云區(qū)域

自適應(yīng)閾值提取云區(qū)域的主要步驟分為3步：

（1）基于HOT指數(shù)影像確定可能的云區(qū)。

確定可能云覆蓋區(qū)域的計(jì)算公式為

式中 PCloud是可能云覆蓋區(qū)域的二值矩陣；為閾值（待確定）。

值由該分塊HOT指數(shù)影像像元值直方圖分布統(tǒng)計(jì)值的百分位確定，直方圖70%處的分位確定的值表示低于該值的像元數(shù)占到像元總數(shù)的70%。1、2和3分別對應(yīng)HOT指數(shù)影像像元值直方圖的三個(gè)百分位70%、80%和90%，按以上3個(gè)閾值分割分別得到可能云覆蓋區(qū)域A、B和C。值由每個(gè)分塊影像像元值的直方圖分布統(tǒng)計(jì)值百分位數(shù)計(jì)算得到，每個(gè)分塊都不一樣，但無需預(yù)先確定閾值。

（2）對可能的云區(qū)CI指數(shù)影像采用OTSU方法自動(dòng)分割得到確定云區(qū)。

本步的閾值分割基于上一步的結(jié)果，上一步可能云區(qū)為二值圖，用其去掩模對應(yīng)CI指數(shù)影像，CI指數(shù)影像上對應(yīng)二值圖為0的區(qū)域被掩模掉，不參與本步的閾值分割（標(biāo)記為0），參與閾值分割的為可能云區(qū)的CI指數(shù)影像。

對上述可能云區(qū)CI指數(shù)影像進(jìn)行閾值分割得到確定云區(qū)，該閾值采用最大類間方差法自動(dòng)確定。OTSU法是日本學(xué)者大津1979年提出的一種自適應(yīng)的閾值確定方法，通過讓背景和目標(biāo)之間的類間方差最大來確定閾值，將圖像分成背景和目標(biāo)兩部分。類間方差的具體公式為

式中2為類間方差；1為前景像素點(diǎn)占待分割區(qū)域像素點(diǎn)的比例；1為前景像素點(diǎn)的平均灰度；2為背景像素點(diǎn)占待分割區(qū)域像素點(diǎn)的比例；2為背景像素點(diǎn)的平均灰度。

采用遍歷的方法找到類間方差的最大值，對應(yīng)的閾值即為分割圖像的閾值。OTSU方法確定云區(qū)域的二值矩陣公式為

式中 CloudV1是OTSU法分塊影像自適應(yīng)提取云區(qū)的結(jié)果，是云掩膜二值圖，像元值為1表示云，0為晴空，基于該云掩膜可以計(jì)算得到云量。

對A、B和C區(qū)域的CI指數(shù)影像分別采用OTSU法自動(dòng)分割確定云區(qū)，計(jì)算云量；取三者中云量最大值的云量和對應(yīng)云掩膜作為自適應(yīng)閾值提取云區(qū)域的結(jié)果。

（3）晴空和全云的判斷處理。

根據(jù)上述兩步驟得到的結(jié)果，如果云量小于0.5%判定為全晴空，該分塊二值圖的值全設(shè)為0；云量大于99.5%判定為全云，該分塊二值圖的值全設(shè)為1。

1.4 分塊拼接和云區(qū)形態(tài)學(xué)處理

對1.3節(jié)提取的所有分塊云區(qū)二值影像進(jìn)行拼接得到待檢測影像的云區(qū)，然后進(jìn)行形態(tài)學(xué)處理得到最終的云檢測結(jié)果。采用最大最小值濾波的方式，濾波器大小為9像元×9像元。形態(tài)學(xué)處理的目的主要在于：1）去除誤判的高亮地物。某些高亮的目標(biāo)會(huì)被誤判為云，例如建筑物、裸地等，利用其尺寸遠(yuǎn)小于云的特點(diǎn)，通過形態(tài)學(xué)處理進(jìn)行消除。2）消除1.3節(jié)結(jié)果中的噪聲（去除孤立像素），并優(yōu)化調(diào)整云的輪廓，填充小面積云縫，使云區(qū)趨于連通的整體。

2 云檢測結(jié)果與評價(jià)

2.1 測試數(shù)據(jù)

2019年11月3日發(fā)射的GF-7衛(wèi)星是我國首顆民用亞米級高分辨率光學(xué)傳輸型立體測繪衛(wèi)星[22]，衛(wèi)星搭載了雙線陣立體相機(jī)，其后視相機(jī)的多光譜影像有藍(lán)（B1：0.45~0.52μm）、綠（B2：0.52~0.59μm）、紅（B3：0.63~0.69μm）和近紅外（B4：0.77~0.89μm）4個(gè)多光譜波段，空間分辨率優(yōu)于3m，幅寬優(yōu)于20km。

本文選擇了11景GF-7衛(wèi)星多光譜影像進(jìn)行云檢測試，選取的數(shù)據(jù)盡可能包含不同類型的云，有厚云、薄云和碎云，集中云和分散云等；同時(shí)覆蓋不同地表和地貌類型，包括植被、裸土、沙漠戈壁、人工地表和山區(qū)、平原等；另外數(shù)據(jù)盡可能分散在不同的地理區(qū)域，見圖2（紅色的三角形圖標(biāo)表示測試數(shù)據(jù)所在的地理位置）。為了定量評價(jià)本文的云檢測方法，采用人工目視判讀影像解譯勾畫的云區(qū)作為參考真值，用來對云檢測結(jié)果進(jìn)行評估。

圖2 測試數(shù)據(jù)的地理空間分布

2.2 云檢測結(jié)果評價(jià)與分析

采用本文提出的方法對測試數(shù)據(jù)進(jìn)行云檢測，使用GDAL庫，通過Python編程實(shí)現(xiàn)。云檢測結(jié)果的評價(jià)和分析采用定性和定量兩種方式進(jìn)行，參考真值為人工目視判讀影像解譯勾畫的云區(qū)。

（1）定性評價(jià)

對照原始影像、人工目視判讀結(jié)果和云檢測結(jié)果，評價(jià)分析云區(qū)提取邊界精準(zhǔn)度以及是否有遺漏和誤判。遙感影像上的云可簡單分為厚云和薄云（卷云），厚云是指不透明的云，薄云是薄的、半透明的或透明的云。圖3為影像云區(qū)的參考范圍和云檢測結(jié)果對比示例，總共有6組不同區(qū)域示例，圖像大小為1024像元×1024像元，每組的左圖為原始影像（波段432假彩色合成）和人工目視判讀勾畫的云區(qū)范圍（圖中黃線），右圖為檢測結(jié)果云區(qū)（圖中綠色標(biāo)識）疊加原始影像。

圖3示例數(shù)據(jù)的評價(jià)分析如下：1）區(qū)域1位于山區(qū)，下墊面以人工地表和林地為主，云的形態(tài)為厚云，檢測結(jié)果準(zhǔn)確，云區(qū)邊界較為平滑；2）區(qū)域2位于丘陵，下墊面以林地、農(nóng)田和裸地為主，云的形態(tài)為厚云和薄云，厚云和半透明薄云檢測準(zhǔn)確，但是透明的小薄云有遺漏；3）區(qū)域3位于平原，下墊面以人工建筑物和草地、林地為主，云為分散的厚云和薄云，檢測結(jié)果較準(zhǔn)確；4）區(qū)域4位于山區(qū)，下墊面以林地、水體和裸地為主，云為分散的厚云和薄云，檢測結(jié)果較準(zhǔn)確，小部分透明薄云未檢出；5）區(qū)域5位于平原，下墊面以農(nóng)田和水體為主，云以薄云為主幾乎覆蓋分塊影像，檢測結(jié)果與目視判讀有較大差距，厚云和半透明薄云檢出，但是部分半透明和透明的薄云未檢出；6）區(qū)域6位于平原和山地，下墊面以戈壁灘和裸地為主，云為分散分布的厚云和薄云，檢測結(jié)果較準(zhǔn)確，半透薄云和厚云全檢出，部分透明薄云未檢出，少量高亮地物被誤提。

總體而言，云檢測結(jié)果的厚云和半透明薄云可全檢出，邊界也較為準(zhǔn)確，但是部分薄云特別是透明的薄云存在漏提，另外少量高亮地物也存在誤提。

圖3 影像云區(qū)的參考范圍和云檢測結(jié)果對比示例

（2）定量評價(jià)

單景云量作為影像品質(zhì)和可用性的指標(biāo)在實(shí)際應(yīng)用中尤為重要，單景云量的準(zhǔn)確性可以用來定量評價(jià)云檢測方法的效果。人工目視判斷勾畫得到的云量和本文提出的云檢測方法的結(jié)果云量進(jìn)行比較，用平均絕對誤差（MA）和平均相對誤差（MR）作為誤差計(jì)算的指標(biāo)，計(jì)算公式如下：

其中R()和T()分別表示第幅測試影像的參考云量和檢測云量；表示用于精度評估的影像數(shù)。11景測試數(shù)據(jù)計(jì)算得到的MA為0.049，MR為0.276，兩值均較小。此外，圖4將參考云量和檢測云量進(jìn)行了線性擬合分析，可以看出兩者有明顯的相關(guān)性。

圖4 測試數(shù)據(jù)參考云量和檢測云量線性擬合結(jié)果

3 結(jié)束語

本文提出的云檢測方法利用了4波段光學(xué)影像上云和地物的光譜差異，通過兩種類型的云指數(shù)計(jì)算增強(qiáng)了云和地物的差異性，兩個(gè)關(guān)鍵的分割閾值都基于分塊影像本身計(jì)算確定。“因圖而異”自適應(yīng)地確定閾值，有效避免了閾值過大則薄云漏檢、分割閾值過小則誤檢率過高的問題。該方法用于GF-7衛(wèi)星多光譜影像的自動(dòng)云檢測，結(jié)果表明厚云和半透明的薄云檢測準(zhǔn)確，效率高，且適應(yīng)多種不同的情況，可以用于批量化、自動(dòng)化的云檢測。經(jīng)過簡單的調(diào)整，該方法也可以擴(kuò)展用于與GF-7衛(wèi)星多光譜影像類似的其他光學(xué)遙感衛(wèi)星影像的云檢測。

由于下墊面的復(fù)雜性，光學(xué)遙感影像上透明的薄云檢測有難度。對于透明云而言，本方法存在漏檢和誤檢情況，難以精準(zhǔn)檢測，某些漏分的透明薄云區(qū)域可以通過后期的大氣校正進(jìn)行去除。另外，少量高亮地物會(huì)被誤判為云，特別是下墊面為積雪時(shí)容易被誤判為云。不過大多數(shù)用戶在實(shí)際應(yīng)用中，影像上的雪也會(huì)被視同為云，對于永久性的積雪可考慮通過土地覆蓋先驗(yàn)數(shù)據(jù)去除。

[1] ZHANG Y C, ROSSOW W B, LACIS A A, et al. Calculation of Radiative Fluxes from the Surface to Top of Atmosphere Based on ISCCP and Other Global Data Sets: Refinements of the Radiative Transfer Model and the Input Data[J]. Journal of Geophysical Research, 2004, 109: D19105.

[2] JU J, ROY D P. The Availability of Cloud-free Landsat ETM+ Data Over the Conterminous United States and Globally[J]. Remote Sensing of Environment, 2008, 112(3): 1196-1211.

[3] ZHU Z, WOODCOCK C E. Object-based Cloud and Cloud Shadow Detection in Landsat Imagery[J]. Remote Sensing of Environment, 2012, 118: 83-94.

[4] 劉紫涵, 吳艷蘭. 遙感圖像云檢測方法研究進(jìn)展[J]. 國土資源遙感, 2017, 29(4): 6-12. LIU Zihan, WU Yanlan. A Review of Cloud Detection Methods in Remote Sensing Images[J]. Remote Sensing for Land and Resources, 2017, 29(4): 6-12. (in Chinese)

[5] ACKERMAN S, STRABALA K, MENZWL P, et al. Discriminating Clear-sky from Cloud with MODIS Algorithm Theoretical Basis Document (MOD35)[R/OL]. [2020-03-21]. https://modis-images.gsfc.nasa.gov/_docs/MOD35_ATBD_ Collection6.pdf.

[6] IRISH R R, BARKER J L, GOWARD S N, et al. Characterization of the Landsat-7 ETM+ Automated Cloud-cover Assessment (ACCA) Algorithm[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(10): 1179-1188.

[7] RICHTER R, LOUIS J, MULLER W U. Sentinel-2 MSI-Level 2A Products Algorithm Theoretical Basis Document[R/OL]. [2020-03-21]. http://step.esa.int/thirdparties/sen2cor/2.3.0/[L2A-ATBD]%20S2PAD-ATBD-0001%20[2.0].pdf.

[8] ACKERMAN S A, HOLZ R E, FREY R, et al. Cloud Detection with MODIS. Part II: Validation[J]. Journal of Atmospheric and Oceanic Technology, 2008, 25(7): 1073-1086.

[9] FREY R A, ACKERMAN S A, LIU Y, et al. Cloud Detection with MODIS. Part I: Improvements in the MODIS Cloud Mask for Collection 5[J]. Journal of Atmospheric and Oceanic Technology, 2008, 25(7): 1057-1072.

[10] ZHU Z, WANG S, WOODCOCK C E. Improvement and Expansion of the Fmask Algorithm: Cloud, Cloud Shadow, and Snow Detection for Landsats 4-7, 8, and Sentinel 2 Images[J]. Remote Sensing of Environment, 2015, 119: 269-277.

[11] HAGOLLE O, HUC M, PASCUAL D V, et al. A Multi-temporal Method for Cloud Detection, Applied to FORMOSAT-2, VENμS, LANDSAT and SENTINEL-2 Images[J]. Remote Sensing of Environment, 2010, 114(8): 1747-1755.

[12] 鐘靜, 康一飛, 韓昱, 等. 高分一號衛(wèi)星影像自動(dòng)云檢測[J]. 地理空間信息, 2018, 16 (4): 52-55. ZHONG Jing, KANG Yifei, HAN Yu, et al. Automatic Cloud Detection of GF-1 Satellite Imagery[J]. Geospatial Information, 2018, 16(4): 52-55. (in Chinese)

[13] 譚凱, 張永軍, 童心, 等. 國產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測[J]. 測繪學(xué)報(bào), 2016, 45(5): 581-591. TAN Kai, ZHANG Yongjun, TONG Xin, et al. Automatic Cloud Detection for Chinese High Resolution Remote Sensing Satellite Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(5): 581-591. (in Chinese)

[14] 賈亮亮, 汪小欽, 王峰. 基于波段運(yùn)算和紋理特征的高分一號多光譜數(shù)據(jù)云檢測[J]. 遙感信息, 2018, 33(5): 66-72. JIA Liangliang, WANG Xiaoqin, WANG Feng. Cloud Detection Based on Band Operation Texture Feature for GF-1 Multispectral Data[J]. Remote Sensing Information, 2018, 33(5): 66-72. (in Chinese)

[15] 陳振煒, 張過, 寧津生, 等. 資源三號測繪衛(wèi)星自動(dòng)云檢測[J]. 測繪學(xué)報(bào), 2015, 44(3): 292-300. CHEN Zhenwei, ZHANG Guo, NING Jinsheng, et al. An Automatic Cloud Detection Method for ZY-3 Satellite[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(3): 292-300. (in Chinese)

[16] 侯舒維, 孫文方, 鄭小松. 遙感圖像云檢測方法綜述[J]. 空間電子技術(shù), 2014(3): 68-76. HOU Shuwei, SUN Wenfang, ZHENG Xiaosong. Overview of Cloud Detection Methods in Remote Sensing Images[J]. Space Electronic Technology, 2014(3): 68-76. (in Chinese)

[17] 陳洋, 范榮雙, 王競雪, 等. 基于深度學(xué)習(xí)的資源三號衛(wèi)星遙感影像云檢測方法[J]. 光學(xué)學(xué)報(bào), 2018, 38(1): 354-359. CHEN Yang, FAN Rongshuang, WANG Jingxue, et al. Cloud Detection of ZY-3 Satellite Remote Sensing Images Based on Deep Learning[J]. Acta Optica Sinica, 2018, 38(1): 354-359. (in Chinese)

[18] 王權(quán), 孫林, 韋晶, 等. 動(dòng)態(tài)閾值云檢測算法改進(jìn)及在高分辨率衛(wèi)星上的應(yīng)用[J]. 光學(xué)學(xué)報(bào), 2018, 38(10): 376-385. WANG Quan, SUN Lin, WEI Jing, et al. Improvement of Universal Dynamic Threshold Cloud Detection Algorithm and Its Application in High Resolution Satellite[J]. Acta Optica Sinica, 2018, 38(10): 376-385. (in Chinese)

[19] LI Z, SHEN H, LI H , et al. Multi-feature Combined Cloud and Cloud Shadow Detection in GF-1 WFV Imagery[J]. Remote Sensing of Environment, 2016, 191: 342-358.

[20] CHANDER G, HUANG Chengquan, YANG Limin, et al. Developing Consistent Landsat Data Sets for Large Area Applications: The MRLC 2001 Protocol[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4): 777-781.

[21] ZHANG Y, GUINDON B, CIHLAR J. An Image Transform to Characterize and Compensate for Spatial Variations in Thin Cloud Contamination of Landsat Images[J]. Remote Sensing of Environment, 2002, 82(2/3): 173-187.

[22] 李慶勤. “長征四號”B運(yùn)載火箭成功發(fā)射“高分七號”衛(wèi)星[J]. 中國航天, 2019(11): 23. LI Qinqing. Long March 4B Carrier Rocket Successfully Launches GF-7 Satellite[J]. Aerospace China, 2019(11): 23. (in Chinese)

Automatic Cloud Detection of GF-7 Satellite Imagery

LI Junjie FU Qiaoyan

（China Centre for Resources Satellite Data and Application, Beijing 100094, China）

Cloud is one of the main noise sources of optical satellite remote sensing image, which would block or interfere with the ground feature information to different degree, the cloud amount and cloud mask obtained from cloud image detection are very important for the production of satellite imagery and subsequent data analysis.Aiming at the band characteristics of high resolution remote sensing images such as GF-7 satellite, this paper proposes an automatic cloud detection method for 4-band multispectral images based on spectral information and adaptive threshold. This method first divides the to-be-detected image into blocks and calculates its cloud index, and then adaptively segments the cloud area based on the difference characteristics of clouds and ground features on the cloud index image, and finally stitches the block images and performs morphological processing to obtain the final cloud amount and cloud mask. This method is used for automatic cloud detection of GF-7 satellite multispectral image. The results show that the method can detect different types of clouds on the image more accurately, especially with high recognition accuracy for thick clouds and semi-transparent thin clouds, thus meeting the needs of automated cloud detection processing of massive data.

optical remote sensing image; cloud index; automatic cloud detection; OTSU method; GF-7 satellite; space remote sensing

P237

A

1009-8518(2020)02-0108-08

10.3969/j.issn.1009-8518.2020.02.012

李俊杰，男，1983年生，2007年獲中國科學(xué)院研究生院人文地理學(xué)專業(yè)碩士學(xué)位，高級工程師。研究方向?yàn)檫b感數(shù)據(jù)處理與信息提取。E-mail：lijunjie299@126.com。

2020-03-10

國家重點(diǎn)研發(fā)計(jì)劃資助（2018YFB0505000）

李俊杰, 傅俏燕. “高分七號”衛(wèi)星遙感影像自動(dòng)云檢測[J]. 航天返回與遙感, 2020, 41(2): 108-115.

LI Junjie, FU Qiaoyan. Automatic Cloud Detection of GF-7 Satellite Imagery[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(2): 108-115. (in Chinese)

（編輯：夏淑密）