陳 婷，汪愛華，王智勇，2

(1．北京宇視藍(lán)圖信息技術(shù)有限公司，北京 100096;2．二十一世紀(jì)空間技術(shù)應(yīng)用股份有限公司，北京 100096)

0 引言

20世紀(jì)30年代，研究者提出了過渡區(qū)的概念［1］。1979 年 Weszka等［2］首次將過渡區(qū)理論引入圖像處理領(lǐng)域。章毓晉［3］在20世紀(jì)90年代后期比較全面地研究了過渡區(qū)的理論，且明確指出圖像的過渡區(qū)像點(diǎn)是由背景和目標(biāo)之間的部分像點(diǎn)構(gòu)成的，過渡區(qū)的空間位置位于背景與目標(biāo)之間，過渡區(qū)的灰度范圍處于背景灰度均值與目標(biāo)灰度均值之間。地表現(xiàn)象所固有的模糊性證明了對地觀測遙感圖像中過渡區(qū)的存在［4－5］，而地表的復(fù)雜性則反映了遙感圖像中不同地物過渡區(qū)特征的差異性?；趫D像分割理論，2003年肖曉玲等［5］利用有效平均梯度提取了遙感圖像的目標(biāo)過渡區(qū)。2009年閆成新［6］使用局部復(fù)雜度參數(shù)提取了遙感圖像的過渡區(qū)。但目前對過渡區(qū)的研究僅限于為分割圖像確定閾值提供參考，而對其進(jìn)行特征描述及應(yīng)用分析、并應(yīng)用于地物分類識別的研究還較少。

我國基于遙感圖像的冰雪識別研究早在1985年初即已開始［7］，近年來基于光學(xué)遙感數(shù)據(jù)的冰雪信息提取方面取得了顯著成果，冰雪識別方法研究不再單純依靠單一的光譜信息，而是加入了地物的空間結(jié)構(gòu)信息，例如:2006年陳剛等［8］綜合光譜與紋理特征進(jìn)行了云雪分離;2009年龔劍明等［9］在提取冰川時引入了形狀特征，但受遙感圖像空間分辨率及空間結(jié)構(gòu)信息限制，識別精度無法大幅提高。隨著星載遙感圖像的地面采樣間隔逐漸縮小，具有高空間結(jié)構(gòu)性特點(diǎn)的全色高分辨率遙感圖像為冰雪識別提供了新的數(shù)據(jù)基礎(chǔ)。面對部分云與雪分離的難點(diǎn)，考慮到全色數(shù)據(jù)中冰雪的內(nèi)部特征與云具有相似性，根據(jù)形狀、紋理特征無法精確區(qū)分云雪，本文提出了另一個反映地物空間結(jié)構(gòu)的特征——過渡區(qū)特征，并基于過渡區(qū)的特征分析識別冰雪像點(diǎn)，再利用鄰域填充方法最終提取冰雪區(qū)。采用“北京一號”小衛(wèi)星全色圖像為數(shù)據(jù)源的應(yīng)用實驗表明，該方法能夠明顯提高冰雪識別的精度。

1 過渡區(qū)特征選擇

合適的特征選擇和優(yōu)化是設(shè)計模式識別系統(tǒng)中十分重要的環(huán)節(jié)。圖像中過渡區(qū)具有2方面特點(diǎn):①將不同的區(qū)域分割開來，具有邊界的特點(diǎn);②面積不為零，具有區(qū)域的特點(diǎn)。不同地物的過渡區(qū)具有明顯差異(如大小、灰度、紋理等)，因此可根據(jù)過渡區(qū)的邊界性和區(qū)域性來判識像點(diǎn)是否屬于目標(biāo)。

為體現(xiàn)過渡區(qū)的邊界性特征，本文提出一個新的描述因子——厚度，即過渡區(qū)鄰域范圍內(nèi)過渡區(qū)像點(diǎn)出現(xiàn)的數(shù)量;為體現(xiàn)過渡區(qū)的區(qū)域性特征，選擇過渡區(qū)像點(diǎn)鄰域的均值和方差作為描述因子。其中，均值主要檢測過渡區(qū)像點(diǎn)的純度，方差主要檢測過渡點(diǎn)的均勻性，厚度主要檢測過渡區(qū)的大小。上述特征的計算方法是以過渡區(qū)像點(diǎn)E(x，y)為引導(dǎo)，計算其鄰域矩形范圍內(nèi)過渡區(qū)像點(diǎn)的均值、方差及厚度，作為分析過渡區(qū)特征的特征向量。設(shè)過渡區(qū)圖像t(x，y)，采用尺寸為k×k的模板，令m=(k－1)/2，則對應(yīng)的均值μ、方差σ2和厚度n的特征量計算公式分別為

式(3)中:E(x，y)為過渡區(qū)像點(diǎn);n(x，y)為(x，y)點(diǎn)的邊界厚度。

由式(1)—(3)計算每個過渡區(qū)邊界點(diǎn)的鄰域特征向量V為

2 全色圖像冰雪識別

本文使用“北京一號”小衛(wèi)星的全色圖像，其波譜范圍是500～800 nm，刈幅寬度為24 km，空間分辨率為4 m，通過衛(wèi)星側(cè)擺可實現(xiàn)5～7 d的重訪。圖像紋理結(jié)構(gòu)清晰，幾何性能好，沒有局部幾何失真或變形，且色調(diào)層次豐富，具有較高的可判讀性，可為冰雪識別提供高分辨率和高空間結(jié)構(gòu)信息的數(shù)據(jù)。

在全色遙感圖像的冰雪識別中，云和雪的區(qū)分是主要技術(shù)難點(diǎn)之一［10］。通過分析云和雪的特性發(fā)現(xiàn)，與云霧易變的表面特征相比，冰雪表面特征相對穩(wěn)定;尤其是冰雪邊界比云清晰，且冰雪具有相對統(tǒng)一的反射率(圖1)。云霧和冰雪的上述物理特性反映在遙感圖像上即為過渡區(qū)的差異，因此，可通過選擇和優(yōu)化過渡區(qū)的特征來分析和識別冰雪覆蓋區(qū)［11］。

圖1 “北京一號”小衛(wèi)星冰雪與云全色圖像Fig．1 “Beijing－1”panchromatic images of snow and cloud

將云和雪具有高相似度、高反射率的區(qū)域稱為“中心區(qū)”;將表面粗糙、灰度值不穩(wěn)定、向另一地物過渡的區(qū)域稱為“過渡區(qū)”。本文通過邊緣檢測提取出過渡區(qū)，根據(jù)過渡區(qū)的特征向量判斷過渡區(qū)內(nèi)的點(diǎn)是否為目標(biāo)點(diǎn)，進(jìn)而實現(xiàn)圖像識別。具體實現(xiàn)方法為:①聚類分析。根據(jù)光譜特征，區(qū)分云雪與其他地物;②過渡區(qū)提取?；诟咛荻认顸c(diǎn)定義過渡區(qū)，逼近云雪中心區(qū);③過渡區(qū)特征分析。統(tǒng)計過渡區(qū)像點(diǎn)的特征向量，提取目標(biāo)邊界點(diǎn);④邊界生長。通過鄰域特征分析得到的邊界可能是間斷、不連續(xù)的，不能保證區(qū)域的封閉型，因此采用邊界生長連接間斷的邊界;⑤區(qū)域填充。為提取冰雪區(qū)域，根據(jù)區(qū)域生長原理，采用基于邊界的區(qū)域生長方法，遞歸完成區(qū)域填充。

2．1聚類分析

根據(jù)地物光譜儀測定的光譜曲線可知，在可見光波段，云、雪與其他地物具有明顯的差異［12］。K均值(K－means)聚類算法依照“到聚類中心距離的平方和最小”的原則，可將具有高反射光譜特征的點(diǎn)提取出來。本文設(shè)計分類數(shù)為3，從運(yùn)算速度及區(qū)域獲取精度考慮，設(shè)計最大迭代次數(shù)為1;隨機(jī)提取3個樣本作為聚類中心，計算每個樣本到這3個聚類中心的距離，找出最小距離把樣本歸入最近的聚類中心;修改中心點(diǎn)的值為本類所有樣本的均值，再計算各個樣本到3個聚類中心的距離，重新歸類;修改新的中心點(diǎn)，直到新的中心點(diǎn)等于上一次的中心點(diǎn)時結(jié)束。

該方法以給定的初始類數(shù)量迭代找到最好的聚類結(jié)果，提取的第3類即為高反射目標(biāo)區(qū);以距離作為樣本相似性度量，可有效地匯集云、雪高反射區(qū)(程序?qū)崿F(xiàn)過程詳見文獻(xiàn)［13］)。

2．2 過渡區(qū)提取

為了增強(qiáng)過渡區(qū)的邊界特性，本文利用邊緣檢測的方法進(jìn)行梯度增強(qiáng)，使用梯度算子對圖像進(jìn)行卷積運(yùn)算得到梯度圖像，提取大于設(shè)定閾值的像點(diǎn)構(gòu)成過渡區(qū)。不同梯度算子對提取過渡區(qū)具有差異［14］，主要原因是受圖像噪聲的影響，故本文選擇抗噪聲能力強(qiáng)的SUSAN(smallest univalue segment assimilating nucleus)梯度算子實現(xiàn)邊緣檢測。

SUSAN算子采用圓形模板得到全方向的響應(yīng)，用一個含有37個像點(diǎn)的模板P(x，y)排成7行，各行分別有 3，5，7，7，7，5，3 個像元(圖2)。

圖2 37個像點(diǎn)的模板Fig．2 Template of 37 pixels

對比模板內(nèi)每個像點(diǎn)灰度值與核的灰度值，則有

式中:(x0，y0)為模板P(x，y)中核像點(diǎn)在圖像中的位置坐標(biāo);(x，y)為模板P(x，y)中其他像點(diǎn)在圖像中的位置坐標(biāo);f(x0，y0)和f(x，y)分別為在(x0，y0)和(x，y)處像點(diǎn)的灰度;T為灰度閾值，一般設(shè)T=27;C(x0，y0;x，y)為輸出的比較結(jié)果。根據(jù)USAN(uivalue segment assimilating nucleus)原理，初始的邊界響應(yīng)R(x0，y0)為

此方法無需計算微分即可消除噪聲影響，并可同時檢測邊界和角點(diǎn)，不隨尺度的變化而改變所檢測出的邊界位置，且控制參數(shù)簡單，任意性小，比較容易實現(xiàn)邊界的自動化選?。?5］;此算法的另一優(yōu)勢在于邊緣閾值的確定性，提取閾值為0的像點(diǎn)組成過渡區(qū)。

2．3 過渡區(qū)特征分析

通過SUSAN邊界檢測，標(biāo)記了最大可能為冰雪的過渡區(qū)。遙感圖像中云、雪過渡區(qū)的灰度值變化差異較大，雪的灰度值具有突變特點(diǎn)，但云的灰度值變化緩慢。以SUSAN檢測的邊界點(diǎn)為中心，構(gòu)建過渡區(qū)的特征向量。記錄SUSAN檢測的邊界點(diǎn)位置E(x，y)，計算邊界點(diǎn)(x，y)的鄰域(25像元 ×25像元方形范圍)內(nèi)的像點(diǎn)均值、方差和厚度，組合成特征向量 V，即

式中:μ為灰度平均值;σ2為方差;n為厚度。

對不同區(qū)域云、雪邊界進(jìn)行特征采樣，計算冰雪邊界特征均值向量。通過對邊界位置pi的鄰域內(nèi)計算特征向量vpi，比較均值向量，判斷該點(diǎn)是否具有冰雪過渡區(qū)像點(diǎn)的特征。計算邊界點(diǎn)pi鄰域特征向量與均值特征向量的歐式距離d2，即

式中:為邊界點(diǎn)pi的歐氏距離;vpi為邊界pi點(diǎn)的特征向量;為冰雪過渡區(qū)的均值向量。

若＜δ(δ為根據(jù)樣本選擇的閾值)，則認(rèn)為點(diǎn)pi為冰雪點(diǎn);否則，將該點(diǎn)從過渡區(qū)圖像中刪除。對所有點(diǎn)進(jìn)行上述比較判斷后，過渡區(qū)圖像中就只留下冰雪邊界點(diǎn)。也可通過一種快速并行處理方法，首先分析采樣點(diǎn)，選擇其中具有較大變化特征的點(diǎn)，通過閾值法判斷該點(diǎn)是否具有雪過渡區(qū)像點(diǎn)的特征。

2．4 邊界生長

通過上述特征分析，不僅確定了冰雪過渡區(qū)像點(diǎn)，同時提取了具有高梯度特征的積雪邊界。由于全局閾值分割的影響，使提取的積雪邊界可能是斷裂而不連續(xù)的，甚至經(jīng)過形態(tài)學(xué)運(yùn)算仍不能保證邊界的連續(xù)性，因此需要針對邊界信息進(jìn)行后處理。

對經(jīng)過鄰域分析后的圖像和SUSAN邊界圖像進(jìn)行基于數(shù)學(xué)形態(tài)學(xué)的邊界細(xì)化，并運(yùn)用3×3模板對邊界圖像進(jìn)行擊中運(yùn)算，得到邊界中心骨架，邊界點(diǎn)標(biāo)記為1，背景點(diǎn)記為0。進(jìn)行邊界生長首先尋找邊界斷裂端點(diǎn)，依計算模板(圖3)定義邊界點(diǎn)是中心標(biāo)記為1并且其8個連通鄰域內(nèi)至少有2個點(diǎn)標(biāo)記為1的點(diǎn)。

圖3 斷點(diǎn)檢測模板Fig．3 Template of break nodes detecting

以p1為中心點(diǎn)，其鄰域的8個點(diǎn)順時針繞中心點(diǎn)，分別記為p2，p3，…，p9(其中p2在p1的上方)。斷點(diǎn)標(biāo)記須滿足條件N(p1)≥2，N(p1)是p1的非零鄰點(diǎn)的個數(shù)。對全部邊界點(diǎn)檢驗完畢后，對所有的端點(diǎn)進(jìn)行標(biāo)記。首先按照文獻(xiàn)［16］的邊界生長方法，搜索斷裂點(diǎn)半徑r(r為斷裂邊界長度)范圍內(nèi)是否有邊界點(diǎn)。如果有，則以端點(diǎn)為起點(diǎn)，綜合SUSAN邊界細(xì)化結(jié)果，依SUSAN邊界走向連接端點(diǎn);否則，停止生長，并放棄該斷裂邊界。

該算法優(yōu)點(diǎn)是:①邊界生長充分考慮到雪邊界的性質(zhì)(高梯度);②不限制斷裂邊界的長度。如果按照給定的模板進(jìn)行邊界生長，則有可能出現(xiàn)與實際圖像不符的現(xiàn)象(如產(chǎn)生過分割現(xiàn)象)，或保證不了邊界的連續(xù)性、封閉性等。

2．5 區(qū)域填充

經(jīng)過上述邊界提取，認(rèn)為絕大部分的邊界已經(jīng)閉合，根據(jù)區(qū)域生長方法及冰雪灰度特征，本文采用基于邊界的向內(nèi)區(qū)域生長方法［17］進(jìn)行區(qū)域填充。以邊界點(diǎn)為中心，提取全色圖像中3×3模板內(nèi)大于或等于中心點(diǎn)灰度值的所有像點(diǎn)，標(biāo)記為1;小于中心點(diǎn)灰度值的像點(diǎn)位置標(biāo)記為0。以此模板遍歷全圖像，直到中心點(diǎn)及鄰域點(diǎn)的像點(diǎn)均為1，停止生長，生成冰雪覆蓋區(qū)圖像。

3 實驗及對比分析

冰川積雪是我國干旱、半干旱地區(qū)河流與地下水的主要補(bǔ)給來源，是局部區(qū)域水文循環(huán)及生態(tài)系統(tǒng)的重要組成部分，也是研究氣候變化乃至全球環(huán)境變化的重要因子［18］。以“北京一號”小衛(wèi)星全色傳感器獲取的唐古拉山脈圖像為例，進(jìn)行基于過渡區(qū)特征識別冰雪覆蓋區(qū)的實驗。

“北京一號”小衛(wèi)星全色圖像的獲取日期為2006－09－18，空間分辨率為4 m，大小為2 017像元×1 654像元。該圖像覆蓋青藏高原唐古拉山脈東段的冰川雪蓋，主要由冰川積雪、云、高寒荒漠、河流等組成(圖4(a))，適合于進(jìn)行冰雪覆蓋區(qū)識別的實驗。

圖4 不同識別方法結(jié)果對比Fig．4 Comparison among the results from the different identification algorithms

對經(jīng)過輻射校正、幾何糾正等預(yù)處理后的“北京一號”小衛(wèi)星全色圖像，按前述冰雪識別方法進(jìn)行處理:①通過K－means聚類提取第3類反射率較高的圖像，區(qū)分云、雪與其他地物;②對云雪圖像通過SUSAN檢測提取值為0的點(diǎn)為過渡區(qū);③采用25×25窗口計算過渡區(qū)像點(diǎn)的特征向量;④依據(jù)1 000個采樣點(diǎn)計算冰雪均值特征向量，=(133．47，6 888．03，57．34);⑤對比均值特征向量進(jìn)行距離分析，判斷冰雪邊界點(diǎn)(另對均值特征向量的比較可知，厚度特征變化非常明顯，也可通過閾值判斷提取冰雪邊界點(diǎn));⑥采用邊界生長及區(qū)域填充方法，獲得識別結(jié)果(圖4(c))。

將過渡區(qū)特征法(圖4(c))、過渡區(qū)閾值分割法(圖4(d))、迭代自組織數(shù)據(jù)分析(ISODATA)法(圖4(e))和面向?qū)ο蟮募y理分析法識別結(jié)果(圖4(f))與目視解譯結(jié)果(圖4(b))對比，可以看出閾值法和ISODATA法的識別結(jié)果中將部分高反射的云中心區(qū)錯分為冰雪;面向?qū)ο笞R別結(jié)果中將北部部分冰雪區(qū)漏分，部分云區(qū)被錯分為冰雪;過渡區(qū)特征法的識別結(jié)果中，只遺漏了少量小冰雪區(qū)，冰雪識別結(jié)果與目視解譯結(jié)果基本一致。

以目視識別為真實結(jié)果，統(tǒng)計各方法結(jié)果的精度及Kappa系數(shù)(表1)。由表1可以看出，基于過渡區(qū)特征的冰雪識別總體精度最高(達(dá)到97．39%，Kappa=0．944 7)，閾值法識別精度最低(只有 93．75%，Kappa=0．871 2)。由于冰雪識別結(jié)果為二值圖像，錯分與漏分誤差對比存在一定的互補(bǔ)關(guān)系，過渡區(qū)特征法的錯分誤差最低，閾值法的錯分誤差最高。

表1 不同識別方法的結(jié)果精度統(tǒng)計Tab．1 Precision statistics of the rusults from the different identification algorithm s

綜合分析不同算法與結(jié)果精度可知，過渡區(qū)的閾值分割法方法簡單、處理速度快，但冰雪識別面積比目視解譯結(jié)果大，主要是由于過渡區(qū)的閾值往往偏低，冰雪提取區(qū)域無法完全分離云和雪;用迭代自組織數(shù)據(jù)分析方法進(jìn)行分割，無法準(zhǔn)確區(qū)分云和雪;面向?qū)ο蟮募y理分析方法在操作中涉及更多的參數(shù)(如尺度選擇和形狀權(quán)重等)，諸多參數(shù)的確定對運(yùn)算量及處理結(jié)果影響較大。本文提出的基于過渡區(qū)特征的識別方法，在總體識別冰雪范圍上精度較高，錯分誤差較低;但漏分誤差較高，究其原因，漏分部分為薄云陰影遮擋區(qū)，具有和云霧相似的過渡區(qū)特征，因而導(dǎo)致冰雪的漏判。

4 結(jié)論與建議

根據(jù)遙感圖像中任何地物均有過渡區(qū)、且不同地物的過渡區(qū)特征也不相同的特點(diǎn)，本文通過分析冰雪的物理特征，建立了基于過渡區(qū)的特征描述、并基于聚類分析和SUSAN檢測方法獲得云雪過渡區(qū);對比過渡區(qū)特征描述因子，確定冰雪像點(diǎn);再經(jīng)過邊界生長和區(qū)域填充方法獲得冰雪覆蓋區(qū)的冰雪識別方法。以“北京一號”小衛(wèi)星的全色圖像為實驗數(shù)據(jù)，應(yīng)用本文方法實現(xiàn)了對冰雪的識別，得出如下結(jié)論:

1)基于過渡區(qū)厚度、方差與均值的特征向量，描述方法簡單，符合地物物理特性，且冰雪特征差異顯著。

2)本文提出的過渡區(qū)特征法識別冰雪的精度顯著提高，其總體精度達(dá)97．39%，明顯高于過渡區(qū)閾值法等其他方法。

3)用過渡區(qū)特征法的冰雪識別結(jié)果中細(xì)節(jié)豐富，并避免了同質(zhì)判別函數(shù)限制，為雪線的提取和云雪分離方法研究提供了參考。

綜合分析過渡區(qū)特征法的復(fù)雜程度、運(yùn)算速度和識別精度，發(fā)現(xiàn)在2個方面仍有待進(jìn)一步完善:①識別過程中迭代次數(shù)過多，運(yùn)算量較大，需進(jìn)一步改進(jìn)算法、提高效率;②冰雪上薄云陰影的特征有待加入特征分析過程中，以進(jìn)一步提高冰雪識別精度。

［1］ Brynildsen N，Maltby P，Leifsen T，et al．Observations of sunspot transition region oscillations［J］．Solar Physics，2000，191(1):129－159．

［2］ Weszka JS，Rosenfeld A．Histogram modification for threshold selection［J］．IEEE Transactions on Systems，Man and Cybernetics，1979，9(1):38－52．

［3］ 章毓晉．過渡區(qū)和圖象分割［J］．電子學(xué)報，1996，24(1):12－17．Zhang Y．Transition region and image segmentation［J］．Chinese Journal of Electronics，1996，24(1):12－17．

［4］ 孫根云，黃丙湖，朝旭軍．遙感圖像邊緣檢測的不確定性及其處理方法探討［J］．遙感信息，2010(6):110－114．Sun G Y，Huang BH，Zhao X J．The analysis of edge detection uncertainty of remote sensing images and its processing method［J］．Remote Sensing Information，2010(6):110－114．

［5］ 肖曉玲，張 翔，吳 謹(jǐn)，等．基于過渡區(qū)的遙感圖像分割［J］．軍民兩用技術(shù)與產(chǎn)品，2003，10(3):44－46．Xiao X L，Zhang X，Wu J，et al．Transition region－based remote sensing image segmentation［J］．Top Technologies and Products，2003，10(3):44－46．

［6］ 閆成新．基于局部復(fù)雜度的遙感圖像分割［J］．武漢理工大學(xué)學(xué)報，2009，31(18):160－163．Yan CX．Local complexity based remote image segmentation［J］．Journal of Wuhan University of Technology，2009，31(18):160－163．

［7］ 曾群柱．我國冰雪遙感回顧與展望［J］．冰川凍土，1988，10(3):352－355．Zeng Q Z．Review and prospect of snow and ice remote sensing in China［J］．Journal of Glaciology and Geocryology，1988，10(3):352－355．

［8］ 陳 剛，鄂棟臣．基于紋理分析和支持向量機(jī)的極地冰雪覆蓋區(qū)的云層檢測［J］．武漢大學(xué)學(xué)報:信息科學(xué)版，2006，31(5):403－406．Chen G，E D C．Cloud detection based on texture analysis and SVM over ice snow covered area［J］．Geomatics and Information Science of Wuhan University，2006，31(5):403－406．

［9］ 龔劍明，楊曉梅，張 濤，等．基于遙感多特征組合的冰川及其相關(guān)地表類型信息提?。跩］．地球信息科學(xué)學(xué)報，2009，11(6):765－772．Gong JM，Yang XM，Zhang T，etal．Information extraction of glacier and its land form classes based on multi－feature remote sensing image combination［J］．Journal of Geo－Information Science，2009，11(6):765－772．

［10］ 柏延臣，馮學(xué)智．積雪遙感動態(tài)研究的現(xiàn)狀及展望［J］．遙感技術(shù)與應(yīng)用，1997，12(2):59－65．Bai Y C，F(xiàn)eng X Z．Introduction to some research work on snow remote sensing［J］．Remote Sensing Technology and Application，1997，12(2):59－65．

［11］ 陳 鵬，張 榮，劉政凱．遙感圖像云圖識別中的特征提?。跩］．中國科學(xué)技術(shù)大學(xué)學(xué)報，2009，39(5):484－488．Chen P，Zhang R，LIU Z K．Feature detection for cloud classification in remote sensing images［J］．Journal of University of Science and Technology of China，2009，39(5):484－488．

［12］ 延 昊．NOAA16衛(wèi)星積雪識別和參數(shù)提?。跩］．冰川凍土，2004，26(3):369－373．Yan H．Detecting snow and estimating snow pack parameters from NOAA16－AVHRR data［J］．Journal of Glaciology and Geocryology，2004，26(3):369－373．

［13］ Tou JT，Gonzalez R C．Pattern recognition principles［M］．Massachusetts:Addison－Wesley Publishing Company，1974．

［14］ Sieracki M E，Reichenbach S E，Webb K L．Evaluation of automated threshold selection methods for accurately sizing microscopic fluorescent cells by image analysis［J］．Applied and Environmental Microbiology，1989，55(11):2762－2772．

［15］ 章毓晉．圖像工程［M］．2版．北京:清華大學(xué)出版社，2007:109－113．Zhang Y J．Image engineering［M］．2nd ed．Beijing:Tsinghua University Press，2007:109－113．

［16］ 劉永學(xué)，李滿春，毛 亮．基于邊緣的多光譜遙感圖像分割方法［J］．遙感學(xué)報，2006，10(3):350－356．Liu Y X，Li M C，Mao L．An algorithm of multi－spectral remote sensing image segmentation based on edge information［J］．Journal of Remote Sensing，2006，10(3):350－356．

［17］ 張德才，周春光，周 強(qiáng)，等．基于輪廓的孔洞填充算法［J］．吉林大學(xué)學(xué)報:理學(xué)版，2011，49(1):82－86．Zhang D C，Zhou CG，Zhou Q，et al．Hole－filling algorithm based on contour［J］．Journal of Jilin University:Science Edition，2011，49(1):82－86．

［18］ 曹云剛，劉 闖．從 AVHRR到 MODIS的雪蓋制圖研究進(jìn)展［J］．地理與地理信息科學(xué)，2005，21(5):15－19．Cao Y G，Liu C．The development of snow－cover mapping from AVHRR to MODIS［J］．Geography and Geo－Information Science，2005，21(5):15－19．