面向HY-1C衛(wèi)星CZI陸地遙感圖像的云檢測方法研究

楊彬，郭金源，何鵬，葉小敏，劉建強

1.湖南大學(xué) 電氣與信息工程學(xué)院, 長沙 410082;

2.南華大學(xué) 機械工程學(xué)院, 衡陽 421001;

3.國家衛(wèi)星海洋應(yīng)用中心, 北京 100081;

4.自然資源部空間海洋遙感與應(yīng)用重點實驗室, 北京 100081

1 引 言

海洋一號C 衛(wèi)星（HY-1C）于2018年9月7日成功發(fā)射。作為中國首顆海洋水色業(yè)務(wù)衛(wèi)星，HY-1C 能滿足海洋水色水溫、海洋災(zāi)害與陸地環(huán)境監(jiān)測需求，同時可服務(wù)于自然資源調(diào)查、環(huán)境生態(tài)、應(yīng)急減災(zāi)、氣象、農(nóng)業(yè)和水利等行業(yè)（劉建強 等，2020）。HY-1C 上搭載了海岸帶成像儀CZI（Coast Zone Imager）、水色水溫掃描儀COCTS（Chinese Ocean Color and Temperature Scanner）等多套載荷，于2019年6月開始業(yè)務(wù)化運行。相關(guān)數(shù)據(jù)已經(jīng)成功應(yīng)用于多個行業(yè)，包括海面溢油識別（沈亞峰 等，2020）、冬小麥和紅樹林等的識別（王利民 等，2019；梁超 等，2020）、以及湖水濁度監(jiān)測（周屈 等，2020）。

地球表面被大量的云覆蓋。相關(guān)研究表明，云的平均覆蓋度高達68%（Stubenrauch 等，2013； 王宇瑤 等，2022）。云覆蓋影響地表信息獲取。特別是對于HY-1C CZI這種大幅寬（＞950 km）傳感器，其獲取的數(shù)據(jù)很少有無云的情況。云檢測已經(jīng)成為這類遙感圖像預(yù)處理的必要步驟（Cheng 等，2022）。如果這些云不能被高精度識別并剔除，將極大影響HY-1C CZI數(shù)據(jù)的后續(xù)應(yīng)用。

在過去10年中，針對MODIS、 Landsat、Sentinel、GF等傳感器，科研人員提出了不同的云檢測算法（Mahajan 和Fataniya，2019；隋淞蔓 等，2022）。總體來看，這些算法可以分為監(jiān)督類與非監(jiān)督類兩類。監(jiān)督類方法是指根據(jù)已知云與非云樣本，選擇特征參數(shù)及決策規(guī)則，建立判別函數(shù)對遙感圖像進行云與非云區(qū)域的識別（Luo 等，2020）。如Deng等（2019）利用多張云影像的Gabor特征訓(xùn)練以實現(xiàn)云與冰雪的區(qū)分；Xie 等（2017）利用云的多級別特征，實現(xiàn)薄云和厚云的檢測。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，云的深度特征提取和判別網(wǎng)絡(luò)設(shè)計也可通過神經(jīng)網(wǎng)絡(luò)實現(xiàn)，如DeepLabv3+（彭龍康 等，2021），U-Net（徐少壯和鐘來星，2021），RDA-Net（張晨 等，2021）等。這類算法的總體精度較高，?？梢赃_到90%以上，但是其對于訓(xùn)練樣本的要求高，訓(xùn)練樣本的質(zhì)量一定程度上決定了算法精度。龐大規(guī)模的訓(xùn)練樣本的標(biāo)注費時費力，而且較大的模型部署困難，這一定程度上限制了監(jiān)督類算法的業(yè)務(wù)化應(yīng)用能力。

非監(jiān)督類方法則無需預(yù)先已知樣本，即可依據(jù)一定規(guī)則實現(xiàn)云與非云區(qū)域的識別（Guo 等，2022）。在這類方法中，一般會對光譜和結(jié)構(gòu)等特征采用聚類技術(shù)（張波 等，2021），實現(xiàn)云與非云區(qū)域的自動提取，如K 均值聚類等；也會通過構(gòu)建物理模型分析云與非云地表之間的空—譜特征差異來實現(xiàn)云檢測，如針對Landsat 數(shù)據(jù)的Fmask算法（Zhu 等，2015）、針對GF 數(shù)據(jù)的MFC 算法（Li 等，2017）等。相比于監(jiān)督類技術(shù)，非監(jiān)督類的云檢測技術(shù)應(yīng)用更直觀，對計算和存儲要求較低，常被用于云產(chǎn)品生成算法中（Zhu 等，2015）。

在非監(jiān)督類方法中，Zhu 等（2015）依據(jù)云在不同波段的光譜特性，利用閾值實現(xiàn)云、冰雪和其他地物類別的區(qū)分（Zhu 等，2015）。Zhang 和Xiao（2014）利用細(xì)節(jié)差異實現(xiàn)云的逐步提?。╖hang 和Xiao，2014）。An 和Shi（2015）通過場景學(xué)習(xí)技術(shù)，將真彩色圖像轉(zhuǎn)換為顯著性圖，并通過改進Otsu 閾值實現(xiàn)云的精確提?。ˋn 和Shi，2015）。以上算法，要么使用超過4個波段的信息，如Landsat 的7 個波段信息（其中熱紅外信息實現(xiàn)云與冰雪的分離），要么僅使用RGB 信息（對于高渾濁水體、建筑物效果不佳）。一些多光譜傳感器，如GF-1、HY-1C等，只含有4個波段，即藍(lán)、綠、紅、近紅外波段。現(xiàn)有算法無法直接應(yīng)用于4波段遙感圖像的云檢測。如何在沒有熱紅外信息的情況下有效區(qū)分云與冰雪，以及如何有效利用近紅外波段信息，是這類4波段圖像云檢測的重要問題。Li 等（2017）利用光譜、紋理和幾何信息，實現(xiàn)了4波段高分?jǐn)?shù)據(jù)的云檢測。但是該方法涉及了大量閾值，無法直接應(yīng)用于HY-1C CZI 遙感圖像云檢測。另外，上述方法大多按照逐步處理的過程實現(xiàn)云與非云區(qū)域的識別，處理流程復(fù)雜且容易誤差累積。Kang 等（2019）提出了一種基于分類技術(shù)的云與非云區(qū)域識別方法，被證明優(yōu)于現(xiàn)有的非監(jiān)督類方法。該方法的優(yōu)勢在于精確的訓(xùn)練樣本提取以及樣本特征描述。但是，該方法僅適用于RGB 圖像。針對4 通道HY-1C CZI 圖像，如何高精度提取訓(xùn)練樣本以及利用可見光—近紅外信息精確描述其特征是提高云檢測精度的關(guān)鍵。

基于此，本文提出了一種針對HY-1C CZI 遙感圖像的非監(jiān)督云檢測方法，以用于云檢測的業(yè)務(wù)化運行。該方法包含訓(xùn)練樣本選擇、特征提取、分類和后處理這4 個過程。該方法的獨特之處在于既能自動提取區(qū)分云與其他地物的訓(xùn)練樣本，又能有效利用近紅外信息。通過對植被、土壤、濕地和冰雪場景這4 個典型場景的驗證分析，以證明該方法的有效性。

2 數(shù)據(jù)獲取

本文使用的遙感圖像是HY-1C CZI 獲取的多光譜數(shù)據(jù)，其4 個波段的波譜范圍分別為藍(lán)（0.42—0.50 μm）、綠（0.52—0.60 μm）、紅（0.61—0.69 μm）、近紅外（0.76—0.89 μm）。數(shù)據(jù)可在中國海洋衛(wèi)星數(shù)據(jù)服務(wù)系統(tǒng)（https：//osdds.nsoas.org.cn/#/［2022-05-13］）下載。HY-1C 于2018年9月7日發(fā)射，運行于782 km 高度的太陽同步回歸軌道，降交點地方時為每日上午10：30±30 min；其數(shù)據(jù)兼顧了海洋水色、陸地生態(tài)和極地冰川的要求，具有中等分辨率（約50 m）、大幅寬（＞950 km）、高重訪周期（單顆衛(wèi)星覆蓋周期為3 d）的特點，可為水體—陸地交互作用區(qū)域提供監(jiān)測，對重點河流港口的懸浮泥沙、冰、赤潮和陸地生態(tài)環(huán)境等監(jiān)測和預(yù)警具有重要作用（臧金霞 等，2022； 劉錦超 等，2022）。

CZI 數(shù)據(jù)分為L1A、 L1B、 L1C、 L2A、 L2B和L2C 等6 級。其中L1A 是經(jīng)過幾何校正后的原始數(shù)據(jù)，L1B 是經(jīng)過輻射定標(biāo)后的輻亮度數(shù)據(jù)（HDF5 格式），L1C 也是輻射定標(biāo)后的輻亮度數(shù)據(jù)（TIF 格式），L2A 是經(jīng)過大氣校正后的基礎(chǔ)產(chǎn)品數(shù)據(jù)，L2B 是標(biāo)準(zhǔn)產(chǎn)品數(shù)據(jù)，L2C 是試驗產(chǎn)品數(shù)據(jù)。本文選用L1C（TIF 格式）數(shù)據(jù)用于遙感圖像云檢測研究。在L1C 級數(shù)據(jù)中，每個數(shù)據(jù)值代表了CZI 測量的該點的天頂輻亮度（mW/（cm2·um·sr））。為了方便后續(xù)植被指數(shù)的計算，本文將天頂輻亮度轉(zhuǎn)化為天頂反射率，每個點的天頂反射率R可以計算為：

式中，I為天頂輻亮度，E為大氣層外太陽輻照度，θs為太陽天頂角。需要注意的是，L1C 數(shù)據(jù)中不包含太陽輻照度和太陽天頂角信息，而L2B 數(shù)據(jù)中包含該信息，因此，本文使用與L1C 數(shù)據(jù)對應(yīng)的L2B數(shù)據(jù)用于天頂反射率R的計算。

為更好地評估本文提出的HY-1C CZI 數(shù)據(jù)遙感圖像云檢測方法，選取4個典型陸地場景，即植被、土壤、濕地和冰雪場景進行驗證。在這些場景下，云和背景的差異各不相同。圖1所示即為本文使用的4個場景的RGB真彩色圖像。

圖1 植被、土壤、濕地和冰雪場景真彩色圖Fig.1 Images of vegetation，soil，wetland，and snow scenes

3 研究方法

3.1 研究技術(shù)路線

本文的算法流程如圖2 所示。該算法包含4 個主要步驟，即訓(xùn)練樣本自動選擇、特征提取、支持向量機分類以及后處理4 個過程。其中，訓(xùn)練樣本提取與特征提取并行執(zhí)行，通過提取的訓(xùn)練樣本及其對應(yīng)的特征訓(xùn)練SVM；利用訓(xùn)練的SVM 預(yù)測云檢測初步結(jié)果，并后處理獲得最終HY-1C CZI 陸地遙感圖像云檢測結(jié)果。下面將具體介紹這4個步驟。

圖2 云檢測數(shù)據(jù)處理算法流程Fig.2 Flowchart of the algorithm proposed in this paper for cloud detection

3.2 訓(xùn)練樣本自動提取

訓(xùn)練樣本可用于分類器訓(xùn)練，以實現(xiàn)未知像素點的預(yù)測（云與非云）（汪杰君 等，2021）。與人工標(biāo)注不同的是，本文使用的訓(xùn)練樣本可以通過多重判斷自動獲取。該方法旨在盡可能去除非云樣本干擾，如冰雪、高亮地表建筑和渾濁水體等，以提高訓(xùn)練樣本精度和后續(xù)云檢測精度。圖3 所示即為本文提出的訓(xùn)練樣本自動提取流程圖。用該流程，可將輸入圖像劃分為云樣本區(qū)域、非云樣本區(qū)域和其他區(qū)域，其中云樣本區(qū)域與非云樣本區(qū)域分別作為正負(fù)樣本用于后面的SVM 訓(xùn)練。整體來看，可以分為暗通道反射率判斷，NDVI 判斷和Whiteness 判斷3 個步驟。

圖3 訓(xùn)練樣本提取流程圖Fig.3 Flowchart for selecting training samples

（1）暗通道反射率判斷。暗通道圖像最早被用于圖像去霧（He 等，2011），后面逐漸被用于真彩色圖像的云檢測研究中（Kang 等，2019；Ping 等，2020）。為將暗通道擴展適用于本文研究的HY-1C CZI 的4 個波段圖像，近紅外波段信息也被充分利用，用于暗通道圖像的計算，其暗通道被重新定義為

式中，RB，RG，RR，RNIR分別表示藍(lán)、綠、紅和近紅外波段的反射率。RDC表示該4 個波段圖像的暗通道圖像。也就是說，暗通道圖像每個點的值為該點在4個波段反射率的最小值（He 等，2011）。

云在可見光和近紅外的反射率較高，而自然地物在該光譜范圍內(nèi)，很少有反射率均高的情況（冰雪除外）。因此，在暗通道反射率圖像中，云具有較高的反射率，而非云區(qū)域則具有較低的反射率。為了提取出這部分具有較高反射率的暗通道像素，本文采用改進Otsu 方法實現(xiàn)云與背景的區(qū)分（Otsu，1979；段潘 等，2022）。在傳統(tǒng)的Otsu 方法中，假設(shè)圖像中存在兩種類別，通過計算閾值使得類間的方差最大。Otsu 閾值T的獲得可通過優(yōu)化如下方程獲得：

通過傳統(tǒng)Otsu 方法獲取的閾值T，會存在閾值偏移問題，即當(dāng)場景較亮?xí)r，計算獲得的閾值T較大，導(dǎo)致相對較暗的云無法識別；反之，當(dāng)場景較暗時，計算獲得的閾值T較小，導(dǎo)致相對較亮的地面物體被識別為云。通過對500 幅云圖像的統(tǒng)計分析（Zhang 和Xiao，2014）發(fā)現(xiàn)，超過95%的云的像素值不會低于100?；诖耍紤]暗通道反射率的取值范圍為0—1，本文首先將暗通道反射率線性拉伸為0—255，以實現(xiàn)式（3）計算。最終獲得的閾值T'為

線性拉伸后的暗通道反射率與T'比較，若大于T'，則為潛在的云區(qū)域，若小于T'，則為潛在的非云區(qū)域。需要注意的是，若線性拉伸后的暗通道反射率很小，如小于T'·70%，則其為云的概率極低，可直接劃為非云區(qū)域。若拉伸后的暗通道反射率在T'·70% 與T'之間，則將其劃為潛在非云區(qū)域。需要注意的是，在本判斷中，可以容忍一定高亮物體判別為云，因此將閾值的上限設(shè)定為150，后續(xù)的判定方法可進一步去除。

（2）NDVI 判斷。有些水體由于渾濁度較高，或者鏡面反射等原因，其在可見光的表現(xiàn)與薄云類似，無法直接區(qū)分（如圖1 中的濕地場景）。但是，二者在近紅外波段卻有較大差異。水在近紅外具有很低的反射率，而云在近紅外卻有較高的反射率。因此可采用歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）剔除這部分水體。NDVI定義為

即近紅外與紅光波段的反射率差值除以二者的和值。由于云在近紅外、紅光波段都具有較高的反射率，因此云的NDVI 值一般較?。╖hai 等，2018）。

借鑒Landsat 云檢測研究，水體的NDVI 值一般小于0.1 而云的NDVI 值一般大于0.1（Zhu 和Woodcock，2012）。基于此，本文設(shè)定0.1為NDVI的閾值用于區(qū)分薄云和渾濁水體。即當(dāng)某像素的NDVI＜0.1 時，被劃分為水體，當(dāng)NDVI＞0.1 時，被劃分為潛在云區(qū)域。

（3）Whiteness 判斷。Whiteness 是白度指數(shù)（Gomez-Chova 等，2007），用W表示。其主要是針對3 個波段真彩色圖像，為了使其適用于HY-1C CZI 數(shù)據(jù)，本文對其進行了擴展：

式中，i= 1，2，3，4 分別表示CZI 的藍(lán)、綠、紅和近紅外4 個波段序號。由于云在4 個波段的反射率差異較小，因此用各波段反射率與平均值的差值的絕對值來判斷4 個波段反射率的差異。若某區(qū)域內(nèi)各波段差值較小，則該區(qū)域內(nèi)W值平滑，細(xì)節(jié)信息少；反之，若某區(qū)域內(nèi)各波段差值較大，則該區(qū)域內(nèi)W值變化大，細(xì)節(jié)信息多（Zhu 等，2015）。

研究發(fā)現(xiàn)，云區(qū)域內(nèi)的反射率相對較為光滑，而非云區(qū)域內(nèi)（如自然地物和冰雪）的反射率差異較大，因而在Whiteness 指數(shù)圖像上，云區(qū)域內(nèi)的細(xì)節(jié)信息較少，而非云區(qū)域內(nèi)的細(xì)節(jié)信息較多?？刹捎肳hiteness 指數(shù)作為云與非云樣本的提取，去除冰雪對于樣本提取的影響?；诖?，本文使用多尺度邊緣保持分解方法MED（Multiscale Edge-preserving Decompositions）（Farbman 等，2008）獲取Whiteness 指數(shù)圖像在不同尺度上的細(xì)節(jié)信息D，即：

進一步，本文采用Otsu 方法將上述細(xì)節(jié)信息D二值化，只有二值化后值為1 的區(qū)域，才被認(rèn)定為細(xì)節(jié)信息，這部分像素點被劃分為非云樣本，而二值化后值為0 的區(qū)域，被認(rèn)定為非細(xì)節(jié)區(qū)域，這部分像素點被劃分為云樣本區(qū)域（Kang 等，2019）。相較于暗通道細(xì)節(jié)信息提取，利用Whiteness 提取的細(xì)節(jié)信息具有更高的穩(wěn)定性（詳見結(jié)果部分）。

通過上述暗通道反射率判斷、NDVI 判斷和Whiteness 判斷的逐步細(xì)化，提取高精度的云與非云樣本。需要注意的是，通過該方法提取的云樣本區(qū)域與非云樣本區(qū)域分別作為正負(fù)樣本用于后面的SVM 分類訓(xùn)練。訓(xùn)練之后，這些樣本將不再參與云檢測任務(wù)。但在分類之前，還需對每個樣本進行特征表征。下面，本文將詳細(xì)介紹如何提取每個像素點的特征。

3.3 特征提取與支持向量機分類

特征提取是對每個像素進行表征的數(shù)學(xué)手段。但是并非所有特征都可用于云識別（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，在該特征維度上，云與非云像素點的特征值差異最大（An 和Shi ，2015）。而支持向量機分類是比較成熟的機器學(xué)習(xí)方法，故將該分類的簡單描述與特征提取合并。本文選取使云與非云區(qū)域的差異最大化的4 種特征：反射率特征、光譜指數(shù)特征、紋理特征和結(jié)構(gòu)特征，以表征每個像素點的空—譜信息。

（1）反射率特征。反射率特征是最直接的云檢測特征。云在藍(lán)、綠、紅、近紅外通道都具有較高的反射率。一般情況下，若某個測量點的4個通道都有較高的反射率，那么該點具有較高的概率為云（Zhai 等，2018）。令每個像素點的反射率特征為FR，則FR表示為

需要注意的是，除了HY-1C CZI 的4 個波段反射率（藍(lán)、綠、紅和近紅外波段）以外，本文還將暗通道反射率作為反射率特征之一。圖1所示為4 種典型場景的RGB 圖像。為了更好展示反射率特征，圖4 所示為4 種典型場景的近紅外和暗通道圖像。

圖4 4種典型場景的近紅外和暗通道圖像Fig.4 Near infrared and dark images of the four scenes

（2）光譜指數(shù)特征。光譜指數(shù)也是云檢測的有效特征之一（Choi 等，2022）。在本文中，每個像素點的光譜指數(shù)FI表示為

NDVI 和W常用于多波段遙感圖像的云檢測，如Landsat 和GF 系列衛(wèi)星（Zhu 和Woodcock，2012；Li 等，2017）。本文也使用這兩個指數(shù)來描述像素點的光譜指數(shù)特征。圖5 所示即為4 種典型場景的NDVI和W圖。

圖5 4種典型場景的NDVI和白度指數(shù)圖像Fig.5 NDVI and whiteness of the four scenes

（3）紋理特征。紋理特征描述了像素點與像素點之間的空間關(guān)系，這種關(guān)系可以用于云檢測（Kang 等，2019）。與反射率特征和光譜指數(shù)特征不同的是，反射率特征和光譜指數(shù)特征只考慮單個像素點的信息，而紋理特征包含了像素點與鄰近像素點的相關(guān)信息。云覆蓋的區(qū)域內(nèi)的像素點之間差異較小，相對于其他地物，具有更平滑的特點。Gabor 特征是一種可以用來描述圖像紋理信息的特征，Gabor 濾波器的頻率和方向與人類的視覺系統(tǒng)類似，特別適合于紋理表示與判別（An 和Shi，2015；Deng 等，2019； 李軍軍 等，2020）。在空間域，一個二維的Gabor濾波器是一個正弦平面波和高斯核函數(shù)的乘積。前者是調(diào)諧函數(shù)，后者是窗口函數(shù)。Gabor濾波器的定義如下：

式中，

式（11）—（13）中，g表示Gabor 濾波器，λ為使用的正弦函數(shù)的波長，θ表示其方向，σ是高斯函數(shù)的方差。在本文中，λ取值為[0.5，1，2]，θ取值為[0°，45°，90°，135°]，σ取值為[1，2，3]。因此，對于每個二維輸入圖像，可以獲得共36 個二維紋理特征矩陣。該特征矩陣描述了不同濾波情況下的圖像紋理特征。圖6 所示即為λ取值為1，θ取值為90°，σ取值為［1，3］時4 種典型場景的紋理特征圖。

圖6 4種典型場景的Gabor特征，其中λ = 1，θ = 90°，σ = 1和3Fig.6 Gabor features of the four scenes，for which.λ = 1，θ = 90°，σ = 1 and 3

（4）結(jié)構(gòu)特征。與紋理特征相比，結(jié)構(gòu)特征是一種更高級別的圖像特征，它類似于人類視覺感知的初級知識，提供了圖像內(nèi)容的重要信息（Xu 等，2012）。由于云內(nèi)部的結(jié)構(gòu)信息比非云區(qū)域的結(jié)構(gòu)信息要少，因此結(jié)構(gòu)信息對于云檢測具有重要作用。對于輸入圖像I，其結(jié)構(gòu)特征S可以表示為

式中，ε是一個小常數(shù)，N為圖像數(shù)，λ為平衡值。Φx，Φy(i)，Ψx(i)和Ψy(i)表示為窗口R(i)內(nèi)的絕對空間差異，定義為

式中，gi，j為權(quán)值函數(shù)，其可以計算為

通過優(yōu)化式（14）即可獲得圖像的結(jié)構(gòu)特征。在本文中，平衡值λ設(shè)定為［0.005，0.010，0.015，0.020］。圖7 所示即為λ設(shè)定0.005 和0.015 時4 種典型場景的結(jié)構(gòu)特征圖。

圖7 4種典型場景的結(jié)構(gòu)特征，其中λ = 0.005和0.015Fig.7 Structural features of the four scenes，for which.λ = 0.005 and 0.015

（5）特征歸一化。在上述反射率、光譜指數(shù)、紋理和結(jié)構(gòu)特征獲取之后，為了降低不同特征值取值范圍對云檢測結(jié)果的影響，將各維特征歸一化（Lin 等，2015），即：

式中，F(xiàn)'和F是歸一化后和歸一化前的特征，F(xiàn)max和Fmin為該維特征的最大值和最小值。

利用上述反射率特征、光譜指數(shù)特征、紋理特征和結(jié)構(gòu)特征，可獲得CZI場景中每個像素點的空—譜特征信息，結(jié)合3.2 節(jié)中自動提取的云與非云訓(xùn)練樣本，即可訓(xùn)練支持向量機SVM（Support Vector Machine）分類器。通過該分類器，實現(xiàn)CZI 場景中的初級云檢測。本文使用的SVM 是臺灣大學(xué)林智仁教授開發(fā)的libsvm 軟件包，該軟件包可在（https：//www.csie.ntu.edu.tw/～cjlin/libsvm/［2022-05-13］）免費下載。訓(xùn)練過程中，使用徑向基核函數(shù)RBF（Radial Basis Function）和五重交叉驗證法。

3.4 云檢測后處理

經(jīng)過上述SVM 識別的云主要是場景中云的核心區(qū)域，對于邊緣、孔洞等問題無法有效解決（Kang 等，2019）。獲取的識別結(jié)果常出現(xiàn)邊緣不清晰、云區(qū)域中存在未被識別的噪聲點以及非云區(qū)域中被識別的云噪聲點等情況?；诖?，本文通過導(dǎo)向濾波、孔洞填充以及幾何判別進一步提高云檢測精度。

（1）導(dǎo)向濾波。導(dǎo)向濾波是一種邊緣保持，噪聲去除的方法，被廣泛運用于圖像處理中（Zhang和Xiao，2014；Kang 等，2019）。導(dǎo)向濾波包含輸入圖像I、引導(dǎo)圖像G、和經(jīng)過濾波后得到輸出圖像Q。導(dǎo)向濾波的一個重要假設(shè)是輸出圖像Q和引導(dǎo)圖像G在濾波窗口ωk上存在局部線性關(guān)系，即：

以保證在一個局部區(qū)域里，如引導(dǎo)圖像G有一個邊緣時，輸出圖像Q也保持邊緣不變，因為對于相鄰的像素點，存在?Q=αk?G。上式中的αk和βk為

式中，μk和δ2k分別是引導(dǎo)圖像在窗口ωk內(nèi)的均值和方差。|ω|是窗口ωk內(nèi)的像素個數(shù)。是輸入圖像I在窗口ωk內(nèi)的均值。最后，通過導(dǎo)向濾波后的輸出圖像可表示為

式中，和分別表示所有包含像素i的窗口的αk和βk的值的均值。在本文中，導(dǎo)向濾波的窗口大小設(shè)置為10，ε設(shè)置為10-4。

（2）孔洞填充。經(jīng)過導(dǎo)向濾波后，可能會存在一個較大的云區(qū)域中，有較小的無云區(qū)域（即存在小的孔洞）。為了去除這部分孔洞的影響，本文將像素數(shù)小于50 的孔洞進行填充。若存在像素數(shù)大于50 的孔洞，則認(rèn)為該部分為無云區(qū)域，不予填充。

（3）幾何判斷。自然界中的云形狀一般較為規(guī)律，不會出現(xiàn)復(fù)雜的形狀，或者是長條形的形狀。如果檢測出來的結(jié)果中存在長條形或者復(fù)雜的形狀，則可能是冰雪、水陸岸線、道路等，應(yīng)予以剔除。本文采用分型維度指數(shù)FRAC（Fractal dimension index）和長寬比LWR（Length to width ratio）判別。其中，某個區(qū)域的長寬尤其外接最小橢圓的長軸和短軸表示。則，

如果幾何形狀較為簡單，則FRAC 的值接近1，如果幾何形狀非常復(fù)雜，則FRAC 的值接近2。如果幾何形狀狹長，則LWR 的值較大。參考Li 等（2017）對GF 數(shù)據(jù)的分析，本文將FRAC的閾值設(shè)定為1.5，LWR 的閾值設(shè)定為4.5（Li 等，2017）。

3.5 精度評價

本文采用在云檢測中最常用的錯誤率ER（Error rate）指標(biāo)對云檢測結(jié)果精度評價。其定義為

式中，TN是場景圖像的像素總數(shù)，CN是將云像素識別為非云像素的像素數(shù)，NC是將非云像素識別為云像素的像素數(shù)。

4 云檢測結(jié)果

為了驗證本文提出云檢測算法的有效性，其檢測結(jié)果與目前最為常用的非監(jiān)督云檢測算法對比（Kang 等，2019）。這些對比算法包括K 均值、ChanVese、PRS（Zhang 和Xiao，2014）和暗通道算法（Kang 等，2019）。其中，K 均值算法主要通過聚類將遙感圖像分為云和非云兩類；ChanVese通過圖像分割實現(xiàn)云與非云的分類；PRS 算法則通過逐步細(xì)化的方案（包括二值化、細(xì)節(jié)提取和導(dǎo)向濾波）實現(xiàn)云檢測；暗通道法則利用暗通道信息提取云的細(xì)節(jié)信息實現(xiàn)云檢測。

4.1 定性評價

圖8所示為各算法的云檢測結(jié)果圖，其中白色部分表示算法檢測到的云區(qū)域，黑色部分表示非云區(qū)域。最左側(cè)為HY-1C 遙感圖像的真彩色圖，最右側(cè)為人工標(biāo)注的云區(qū)域。從圖8 可以看出，K 均值方法將遙感圖像聚類為云與非云兩類，該方法只利用了遙感圖像的反射率信息，像素點反射率較高的點都會被劃分為云這一類：對于植被和土壤場景，會存在零散的誤檢測的云區(qū)域，而對于濕地和冰雪場景，由于水體的渾濁度較高以及冰雪的反射率較高，都會被劃分為云區(qū)域，精度較低；ChanVese 方法相較于K 均值方法，零散點較小，但是也會存在K 均值方法類似的錯誤分類高亮的水體和冰雪的情況；PRS 算法則在逐步細(xì)化的過程中，會刪除較多云區(qū)域，該算法較少地將非云區(qū)域識別為云區(qū)域，但是會將一部分云區(qū)域識別為非云區(qū)域，造成了較低的精度；暗通道算法在植被、土壤和冰雪場景具有較好的識別結(jié)果，但是對于濕地場景卻無法給出云檢測結(jié)果，這主要是由于濕地場景的云在暗通道上存在較多細(xì)節(jié)，這部分細(xì)節(jié)導(dǎo)致無法有效提取云樣本，進而無法實現(xiàn)云識別；本文提出的算法，由于綜合考慮了光譜、指數(shù)、紋理和結(jié)構(gòu)特征，采用的訓(xùn)練樣本提取方法能較精確提取訓(xùn)練樣本，因而給出了最好的云檢測結(jié)果。對比人工標(biāo)注的云分布真實圖，本文算法的云檢測結(jié)果具有較好一致性。

圖8 云檢測結(jié)果對比Fig.8 Comparison of cloud detection results obtained from different algorithms

4.2 定量評價

云檢測算法在植被、土壤、濕地和冰雪的錯誤率如表1 所示。可以看出，K 均值和ChanVese算法在這些場景的錯誤率相對較高；PRS 算法在植被和土壤場景的錯誤率會更高，但是在濕地和冰雪的錯誤率會降低；暗通道算法在植被、土壤和冰雪場景的錯誤率比較低，但是在濕地場景卻沒有檢測出云；本文提出的算法，在各個場景都具有最低的錯誤率。特別是對于濕地場景，渾濁水體所占像素數(shù)比例相對較高，錯誤率降低明顯。證明了本文算法對于HY-1C 遙感數(shù)據(jù)云檢測的有效性。

表1 HY-1C衛(wèi)星CZI圖像數(shù)據(jù)云檢測算法精度Table 1 Accuracy of cloud detection for CZI images of HY-1C satellite

4.3 白度指數(shù)影響評價

本文使用白度指數(shù)作為遙感圖像細(xì)節(jié)信息提取數(shù)據(jù)源，并通過逐步細(xì)化過程精確提取云/非云樣本。為了定量評價白度指數(shù)對于云檢測的效果，本文對比不使用白度指數(shù)和使用白度指數(shù)（即本文算法）兩種情況下的云檢測錯誤率。云檢測結(jié)果如表2所示。可以看出，白度指數(shù)的引入降低了云檢測的錯誤率，證明了白度指數(shù)對于云檢測的有效性。

表2 不使用/使用白度指數(shù)下的云檢測錯誤率Table 2 Error rate of cloud detection with/without sample selection using whiteness

4.4 后處理精度評價

本文在獲取初步云檢測結(jié)果后，對其進行了導(dǎo)向濾波、孔洞填充以及幾何判別的后處理。為評價后處理對于云檢測精度提升效果，本文分別計算不進行后處理、僅進行導(dǎo)向濾波、僅進行孔洞填充、僅進行幾何判別和進行這3 種后處理方式的錯誤率，結(jié)果如表3 所示。

表3 不同后處理方法下HY-1C衛(wèi)星CZI圖像數(shù)據(jù)的云檢測精度Table 3 Error rate of cloud detection with different postprocessing methods

從表3 可以看出，相較于表1 中的各方法的錯誤率，在不進行后處理的情況下，本文提出的算法相較于K 均值、ChanVese、PRS 和暗通道算法，仍具有較高精度。當(dāng)引入導(dǎo)向濾波、孔洞填充和幾何判別因素后，云檢測精度進一步提升。特別是導(dǎo)向濾波的引入，可較大程度提升檢測精度?？锥刺畛浜蛶缀闻袆e對精度提升的作用因場景而異。對于薄云和厚云交替復(fù)雜共存的場景（如土壤場景），孔洞填充能提升薄云的檢測精度。對于地表有復(fù)雜形狀或長條形干擾物的場景（如冰雪場景），幾何判定能提升云的檢測精度。這證明了引入后處理對于HY-1C 遙感數(shù)據(jù)云檢測的有效性，對于云檢測業(yè)務(wù)化運行具有積極作用。

5 結(jié) 論

本文圍繞HY-1C CZI 遙感數(shù)據(jù)，設(shè)計了一套非監(jiān)督云檢測算法。該方法包含訓(xùn)練樣本選擇、特征提取、SVM分類和后處理4個過程。利用暗通道反射率、歸一化植被指數(shù)和白度指數(shù)自動生成訓(xùn)練樣本，通過提取遙感圖像的反射率、光譜指數(shù)、紋理和結(jié)構(gòu)特征，基于上述訓(xùn)練樣本和特征，利用SVM 實現(xiàn)云/非云區(qū)域的分類，并采用導(dǎo)向濾波、孔洞填充和幾何判斷進一步后處理結(jié)果，實現(xiàn)HY-1C 遙感數(shù)據(jù)的云檢測。該方法最大的優(yōu)勢在于：（1）無需人工標(biāo)注即可自動提取高精度云與非云樣本，提高了算法的應(yīng)用能力；（2）充分利用近紅外波段信息降低渾濁水體、冰雪等干擾物對云檢測影響，提高了算法的檢測精度。為驗證本文算法的有效性，在4 種典型場景（植被、土壤、濕地和冰雪場景）進行測試和分析。結(jié)果表明：從定性結(jié)果來看，相較于K 均值、ChanVese、PRS 和暗通道算法，本文云檢測結(jié)果與人工標(biāo)注的云分布真實圖具有較好的一致性；從定量結(jié)果來看，本文提出的算法在植被、土壤、濕地、冰雪的錯誤率分別為0.027、0.064、0.026 和0.049，相比暗通道算法在各個場景錯誤率分別可以降低0.024、0.061、0.13 和0.003。綜合以上分析，無論定性與定量結(jié)果，本文算法都表現(xiàn)出最好的性能。下一步研究將重點關(guān)注該算法在更多場景下的適用性測試，以及提取更能體現(xiàn)云與其他目標(biāo)差異性的判別性深度特征，以進一步提升該算法對于HY-1C 云檢測的能力。