董志鵬，王 密，2，李德仁，2，王艷麗，張致齊

1. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 地球空間信息協(xié)同創(chuàng)新中心，湖北 武漢 430079

隨著對地觀測衛(wèi)星技術的發(fā)展，高分辨率的遙感影像已經應用到城市規(guī)劃、作物分類、災害監(jiān)測等眾多領域[1-2]。由于云層覆蓋了地表上空約66%的面積，造成高分辨率遙感影像中有大量云區(qū)域存在，降低了高分辨率遙感影像的使用價值，對基于高分辨率遙感影像的目標識別、圖像分類等處理產生負面影響[3-5]。因此，云檢測已成為高分辨率遙感影像處理中非常重要的內容[6-7]。針對遙感影像的云檢測處理，國內外學者開展了大量的研究，由于高分辨率遙感影像光譜波段范圍的限制，其云檢測算法多采用影像多特征融合處理的思想實現(xiàn)高分辨率遙感影像中云層區(qū)域的檢測[8-9]。如文獻[9]首先基于光譜特征得到影像中云區(qū)域的粗提取結果，其次結合幾何特征與紋理特征對提取結果進行提純，最后對提純結果進行連通性處理獲得最終的影像云檢測結果，但該方法的云檢測結果易受影像中山脈、雪等類云地物影響。文獻[10]根據影像中云層對象和下墊面對象的光譜、紋理等屬性訓練SVM分類器，使用訓練好的SVM分類器對影像中圖像塊對象進行是否為云的判斷，提取影像中的云區(qū)域，但該方法需要大量的云檢測訓練樣本。文獻[11]首先將影像分割為64×64大小的圖塊對象，根據每個對象的光譜均值與方差、紋理角二階矩與一階差分等對對象是否為云進行判斷，實現(xiàn)影像中云區(qū)域的檢測，但該方法中合適的影像云檢測光譜閾值難以確定，云檢測精度較低。文獻[12]將影像從RGB轉換到HIS顏色空間，利用光譜特征實現(xiàn)影像中云區(qū)域的粗提取，利用紋理屬性對粗提取結果進行提純處理，最后對云層提取結果膨脹處理，獲得最終的云檢測結果，但該方法中合適的影像云檢測光譜閾值難以確定。綜上所述，在基于影像多特征融合處理的高分辨率遙感影像云檢測思想中，存在合適的影像云檢測光譜閾值難以確定的問題，以及影像中雪、山脈、建筑物等類云地物影響影像云檢測精度等問題。

針對以上問題，本文提出一種基于對象光譜與紋理的高分辨率遙感影像云檢測方法。該方法首先對影像進行直方圖均衡化處理，根據均衡化影像直方圖獲得合適的云檢測光譜閾值。其次用簡單線性迭代聚類(simple linear iterative clustering，SLIC)算法對影像進行分割，生成超像素對象。根據云檢測光譜閾值，以超像素對象為處理單元獲得初始影像云檢測結果。然后求得影像旋轉不變局部二值模式(local binary patterns，LBP)紋理圖，根據超像素的LBP紋理均值與角二階矩對初始影像云檢測結果提純，消除類云地物對云檢測的影響。最后對提純后的影像云區(qū)域進行區(qū)域增長及膨脹處理，獲得最終的影像云檢測結果。定性對比試驗和定量評價驗證了本文方法的有效性。

1 方 法

本文方法主要分為4個步驟：①影像直方圖均衡化處理，根據均衡化影像直方圖獲得合適的云檢測光譜閾值；②SLIC算法對影像分割生成超像素對象，根據云檢測光譜閾值和超像素光譜屬性獲得初始影像云檢測結果；③求得均衡化影像的LBP紋理圖，根據超像素LBP紋理均值與角二階矩對初始影像云檢測結果提純；④對提純后云區(qū)域進行區(qū)域增長與膨脹處理，獲得最終的云檢測結果?？傮w流程如圖1所示。

圖1 影像云檢測流程Fig.1 The flowchart of cloud detection

1.1 云區(qū)域粗提取

1.1.1 確定自適應云檢測光譜閾值

云在可見光和近紅外波段對于光線的反射率比大多數(shù)地物強，在影像上表現(xiàn)為云相對于地面目標有較高的灰度值[13-14]。因此利用該特征，采用基于光譜特征的閾值判斷可以有效地實現(xiàn)影像中的云與地面目標的分類[6]。而合適的影像云檢測光譜閾值多采用人為試錯求得，難以準確自動獲得。高分辨率遙感影像云區(qū)域的云邊界到云中心存在著薄云到厚云的過渡帶區(qū)域的特征，如圖2 所示。通過求得云過渡帶區(qū)域像素對應的光譜值，利用云過渡帶區(qū)域像素光譜值求得云邊界像素光譜值，將大于云邊界像素光譜值的影像區(qū)域作為云區(qū)域，可以有效提取影像中的云區(qū)域。

圖2 試驗影像Fig.2 Experimental image

本文使用的試驗數(shù)據為包含藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)和近紅外(0.77～0.89 μm)4個波段的10 bits多光譜遙感影像，影像的光譜值范圍為0～1023。選取影像的近紅外、紅和綠波段作為試驗中圖像處理的R、G、B波段，并將影像的光譜屬性除以4，將影像的光譜值范圍壓縮為0～255，便于后續(xù)的試驗計算處理。根據式(1)求得圖2影像的灰度直方圖，圖3(a)為該影像灰度直方圖走勢圖。將影像的R、G、B 3個波段分別進行直方圖均衡化處理，均衡化的目的是突出隱含有紋理細節(jié)的圖像，由于地物包含較豐富的紋理信息，其細節(jié)清晰度比均衡化之前有較大提高[11]。根據式(1)求得影像均衡化后的灰度直方圖[15]，圖3(b)為該影像均衡化后灰度直方圖走勢圖。

gray=R×0.299+G×0.587+B×0.114

(1)

圖3 影像灰度直方圖走勢Fig.3 The image gray histogram trend diagram

在圖3(a)中看似不存在明顯的可獲得云檢測光譜閾值的變化規(guī)律。在圖3(b)中當灰度為219時直方圖劇烈下降，在灰度為224時直方圖上升，灰度大小屬于[219，224]的影像云掩膜結果如圖4(a)所示。圖4(b)為圖4(a)影像云掩膜結果與原始影像疊加示意圖，當灰度大小處于[219，224]時，對應的影像云掩膜結果處于影像云邊界與云中心的過渡區(qū)域。試驗結果表明，通過捕獲影像均衡化直方圖中的突變點，可以準確獲得云過渡帶區(qū)域像素對應的光譜值。利用云過渡帶區(qū)域像素光譜值求得云邊界像素光譜值，將大于云邊界像素光譜值的區(qū)域作為云，實現(xiàn)影像中云區(qū)域的提取。統(tǒng)計157景資源三號02星、高分一號和高分二號多光譜影像通過均衡化直方圖求影像

云檢測光譜閾值試驗結果，總結出以下求自適應云檢測光譜閾值準則:

(1) 在[160，253]內TD1為均衡化直方圖中的極值點，其對應的像素數(shù)為count[TD1]；TD2為大于TD1的第一個極值點，其對應的像素數(shù)為count[TD2]。當TD1、TD2為[160，253]內首次滿足式(2)的灰度值時，[TD1,TD2]為該影像云過渡區(qū)域像素對應的光譜值范圍。

(2)

式中，max(count[TD1]、count[TD2])為count[TD1]與count[TD2]中的較大值。

(2) 影像云邊界像素的光譜值TD=TD1-2，則影像自適應云檢測光譜閾值為TD。

圖4 試驗結果Fig.4 Experimental results

1.1.2 獲取初始云檢測結果

由于高分辨率遙感影像中存在“椒鹽”噪聲，基于像素的光譜閾值云檢測會將光譜值高的“椒鹽”噪聲檢測為云，而基于對象的高分辨率遙感影像處理方法可以有效地消除“椒鹽”噪聲對云檢測的影響[16-17]。文獻[18]提出了超像素這一概念，所謂超像素是指具有相似紋理、顏色、亮度等特征的相鄰像素構成的圖像塊。文獻[19]中提出SLIC算法生成超像素，將彩色圖像轉換為CIELAB顏色空間和X、Y坐標下的5維特征向量，然后對5維特征向量構造度量標準，對圖像像素進行局部聚類生成超像素。相對于分水嶺算法、區(qū)域增長算法和基于圖的圖像分割算法等傳統(tǒng)的影像分割算法生成的超像素，SLIC算法生成的超像素具有更好的地物邊界依附性、更加規(guī)則緊湊的形狀，并且可以人為控制生成超像素的個數(shù)并具有更好的抗噪性[15,20]。使用SLIC算法對影像進行分割生成超像素對象，以超像素對象為處理單元，利用式(1)求得超像素的灰度值，將灰度值大于等于云檢測光譜閾值TD的超像素作為云，可以有效地消除“椒鹽”噪聲對影像云檢測結果的影響，并獲得初始的影像云檢測結果。

經試驗統(tǒng)計分析得到當超像素包含的像素數(shù)為500時，影像的云檢測效果最佳，則影像分割生成超像素個數(shù)為N/500，其中N為影像中像素數(shù)。統(tǒng)計每個超像素包含的像素的光譜均值作為超像素的光譜屬性值，則超像素的光譜屬性為Si(RiGiBi)，計算公式如下

(3)

式中，ni為第i個超像素包含的像素的個數(shù)；Rk、Gk、Bk為第i個超像素中包含的第k個像素的R、G、B屬性值。

1.2 粗差剔除

沙漠、山脈等地物在可見光、近紅外波段具有較高的反射率，在高分辨率遙感影像上表現(xiàn)為具有較高的灰度值，如圖5(a)、(c)。基于對象光譜閾值的云檢測方法會將光譜屬性值高的沙漠、山脈等地物識別為云，則需要消除初始云檢測結果中的沙漠、山脈等類云地物。文獻[21]提出采用局部二值模式用于圖像的紋理分析，即求得圖像的LBP紋理。LBP通過局部模式分析紋理，打破了傳統(tǒng)的在像素層上紋理分析的方式，且相比其他局部特征描述子(如SIFT、RIFF等)，LBP具有理論簡單、容易計算和特征提出無須訓練的優(yōu)勢[22]。為了使圖像具有旋轉不變性，文獻[23]對原始LBP進行改進，提出旋轉不變的LBP，通過旋轉圓形鄰域得到一系列的初始定義的LBP，取其最小值作為旋轉不變的LBP的值。大量旋轉不變和光照不變的紋理試驗表明，旋轉不變LBP具有良好的低維性和不變性，可以很好地用于圖像分類[22-23]。本文使用旋轉不變的LBP紋理用于沙漠、山脈等類云地物與云之間的差異區(qū)分。圖5(b)、(d)分別為圖5(a)、(c)影像直方圖均衡化后的旋轉不變LBP紋理圖。在圖5(a)、(c)中沙漠、山脈與云在影像上均表現(xiàn)出具有較高的光譜屬性，但在圖5(b)、(d)中沙漠、山脈等類云地物表現(xiàn)出灰度值較低，且灰度分布不均勻及紋理較細的特征，而云具有較高的灰度值，且灰度分布均勻及紋理較粗的特征。據此，通過LBP紋理圖中的灰度值大小與分布的均勻程度可實現(xiàn)云與類云地物間的分類。

本文以超像素作為處理單元，求得各超像素包含像素的LBP值均值，用來描述超像素在LBP圖像中灰度值的大小，計算公式如式(4)所示。角二階矩能良好地反映圖像灰度分布均勻程度和紋理粗細度[24]，則求得超像素包含像素LBP值的灰度共生矩陣的角二階矩，用來描述超像素包含像素的LBP值分布的均勻性，計算公式如式(5)所示。其中云的紋理較粗，角二階矩較大；類云地物的紋理較細，角二階矩較小[25-26]。影像中所有超像素LBP值的均值計算公式如式(6)所示，所有超像素角二階矩的均值計算公式如式(7)所示。通過大量試驗得出，根據超像素的LBP值與角二階矩實現(xiàn)云與類云地物間分類的判斷準則如式(8)所示。在初始云檢測結果中，當超像素的LBP值與角二階矩同時滿足式(8)時，該超像素為云，否則為非云地物，經過此判斷消除初始云檢測結果中的類云地物。

圖5 試驗影像Fig.5 Experimental images

(4)

(5)

(6)

(7)

(8)

式中，SLBPi為第i個超像素的LBP值；ni為第i個超像素包含的像素的個數(shù)；LBPk為第i個超像素中包含的第k個像素的LBP值；SASMi為第i個超像素的角二階矩；P(l,m)為第i個超像素中像素的LBP值歸一化灰度共生矩陣中位置(l,m)處值；aveLBP為所有超像素LBP值的均值；aveASM為所有超像素角二階矩的均值；n為影像中超像素的個數(shù)。

1.3 云區(qū)域精檢測

在影像旋轉不變LBP紋理圖像中，云區(qū)域邊界像素的LBP值比中心像素低，云區(qū)域經過粗差剔除后，云區(qū)域薄云邊界也被剔除，需要恢復云區(qū)域的薄云邊界。以粗差剔除后云區(qū)域中包含的超像素為種子點進行區(qū)域增長，判斷作為種子點的超像素的鄰接超像素光譜屬性值是否大于等于初始云檢測光譜閾值TD，如果大于等于則將該鄰接超像素加入云區(qū)域且作為云區(qū)域增長的種子點。循環(huán)區(qū)域增長過程，直到沒有超像素加入云區(qū)域時停止，從而恢復云區(qū)域的薄云邊界。

云區(qū)域增長結束后，云區(qū)域中存在少量間隙孔洞，則對云區(qū)域進行膨脹處理，消除其中的孔洞[11]。以云區(qū)域中的單個像素為種子點，判斷其8鄰域的像素是否均為云，將非云像素加入云區(qū)域并作為云區(qū)域膨脹處理的種子點。試驗證明循環(huán)膨脹處理5次可以有效地消除云區(qū)域中的間隙孔洞。經區(qū)域增長與膨脹處理后得到最終的云區(qū)域檢測結果。

1.4 云檢測結果評價

云檢測結果評價是影像云檢測研究中必不可少的一步，目前多采用目視判別與定量評價相結合的方式驗證云檢測結果的有效性[3-9,11-12]。本文同樣采用目視判別與定量評價相結合的方式對本文方法的有效性進行驗證。

目視判別是一種最基本、常用的評價方法。通過目視判別可以直觀地觀察云檢測結果中的漏檢、錯檢等情況，而且只有云檢測結果和目視評價的效果相吻合時，定量評價指標才能使人信服。因此，在目視判別的基礎上采用召回率(recall)、虛警率(falsealarm)和準確率(accuracy)對本文方法進行定量評價。召回率的取值范圍為[0，1]，召回率越大，說明算法識別為云的像素占影像中真云像素的比例越高。虛警率的取值范圍為[0，1]，虛警率越小，說明在影像中算法識別為云的像素中非云像素的比例越低。準確率的取值范圍為[0，1]，準確率越大，說明算法的云識別能力越高[5,7]，當準確率為1時，說明算法的云檢測結果與實際云層分布完全一致。召回率、虛警率和準確率的計算公式如下

(9)

(10)

(11)

式中，TP為算法識別為云的像素中真實云像素的個數(shù)；FN為算法將影像中云像素識別為非云像素個數(shù)；FP為算法將影像中非云像素識別為云像素的個數(shù)；TN為算法識別為非云像素中真實非云像素的個數(shù)；N為影像中像素的個數(shù)。

為了更加全面地評價本文方法的有效性，與經典的多光譜閾值法[27]與文獻[11]中的樹狀結構云檢測方法進行對比評價。

2 試驗結果與分析

通過兩組試驗對本文方法的有效性進行驗證。對多光譜閾值法和樹狀結構云檢測方法調整參數(shù)進行多次云檢測試驗，且采用目視判別的方法選擇整體云檢測效果最佳的結果與本文方法進行定性與定量對比評價。

2.1 試驗1

試驗1使用的數(shù)據為4景資源三號02星標準景多光譜影像，影像包含藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)和近紅外(0.77～0.89 μm)4個波段，各波段分辨率為5.8 m，大小為8816×8792像素，具體如圖6所示。圖6(a)影像中心地理坐標為80.3°E，36.2°N，影像中主要包括山脈、云和雪等。圖6(b)影像中心地理坐標為82.7°E，44.1°N，影像中主要包括山脈、云和雪等。圖6(c)影像中心地理坐標為58.1°E，42.5°N，影像中主要包括戈壁、湖泊和云等。圖6(d)影像中心地理坐標為88.5°E，30.3°N，影像中主要包括山脈、雪、冰和云等。

2.1.1 檢測結果的目視評價

圖7為不同檢測方法對圖6中4景影像處理后得到的云檢測結果。由遙感領域專家目視判別獲得4景影像的云檢測目視解譯結果，如圖7(a1)、(b1)、(c1)、(d1)所示。目視解譯結果作為云檢測算法效能評估的基準。圖7(a2)、(b2)、(c2)、(d2)分別為多光譜閾值法對圖6中4景影像的云檢測試驗結果。圖7(a3)、(b3)、(c3)、(d3)分別為樹狀結構云檢測方法對圖6中4景影像的云檢測試驗結果。圖7(a4)、(b4)、(c4)、(d4)分別為本文方法對圖6中4景影像的云檢測試驗結果。圖中的綠色區(qū)域為云檢測結果。

在圖7(a1)、(a2)、(a3)、(a4)云檢測試驗結果中，黃色矩形框圈定的山脈區(qū)域，由于山脈光譜與云光譜相似，多光譜閾值法將山脈區(qū)域識別為云，難以實現(xiàn)山脈與云間的區(qū)分。在樹狀結構云檢測方法試驗結果中，出現(xiàn)了大量的云區(qū)域錯檢現(xiàn)象，云檢測識別精度較低。本文方法可以有效地識別該影像中的云區(qū)域，云檢測結果與目視解譯結果相似。

在圖7(b1)、(b2)、(b3)、(b4)云檢測試驗結果中，圖7(b3)中出現(xiàn)了云區(qū)域錯檢現(xiàn)象，樹狀結構云檢測方法的精度較低。多光譜閾值法與本文方法均出現(xiàn)了云區(qū)域漏檢現(xiàn)象，但本文方法的云檢測結果與目視解譯結果更相似。

在圖7(c1)、(c2)、(c3)、(c4)云檢測試驗結果中，黃色圓形圈定的區(qū)域內，由于戈壁區(qū)域具有較高的反射率，多光譜閾值法將該區(qū)域誤檢為云，而本文方法可以有效地區(qū)分戈壁區(qū)域與云層間的差異。在圖7(c3)中樹狀結構云檢測方法出現(xiàn)了大量云錯檢與漏檢現(xiàn)象。從整體上觀察，本文方法的云檢測結果與目視解譯結果基本相似。

在圖7(d1)、(d2)、(d3)、(d4)云檢測試驗結果中，黃色矩形框圈定的區(qū)域內，由于冰、雪具有較高的反射率，多光譜閾值法將冰、雪誤檢為云，而本文方法可有效地區(qū)分冰、雪與云間的差異。在多光譜閾值法的檢測結果中，存在云誤檢現(xiàn)象。在樹狀結構方法的檢測結果中，存在大量誤檢與漏檢現(xiàn)象，檢測精度較低。本文方法的云檢測結果與目視解譯結果基本一致，獲得準確的云檢測結果。

2.1.2 檢測結果的定量評價

表1列出了3種不同算法對試驗1中4景影像云檢測結果的召回率、虛警率和準確率的定量評價結果。在表1中本文方法對于4景影像云檢測結果的召回率均高于多光譜閾值法和樹狀結構云檢測方法，說明本文方法比多光譜閾值法和樹狀結構云檢測方法有更高的影像云層識別能力。在圖6(a)、(c)、(d)影像云檢測結果中，本文方法的虛警率均小于多光譜閾值法和樹狀結構云檢測方法；在圖6(b)影像的云檢測結果中，本文方法與多光譜閾值法的虛警率基本一致，且均小于樹狀結構云檢測方法，說明本文方法的云識別能力的錯誤率更低，精度更高。在4景影像的云檢測結果中，本文方法的準確率均高于多光譜閾值法和樹狀結構云檢測方法，說明本文方法的云檢測結果與目視解譯結果更相似。表1中本文方法召回率與準確率的平均值分別為0.827與0.969 4，均高于多光譜閾值法的0.736 2與0.945 9和樹狀結構云檢測方法的0.485 9與0.826 5；本文方法虛警率的平均值為0.034 1，小于多光譜閾值法的0.121 8和樹狀結構法的0.497 3，表明本文方法對資源三號02星影像有更強的云檢測能力和更高云識別精度。

2.2 試驗2

為了進一步驗證本文方法的有效性，采用兩景高分一號標準景多光譜影像和兩景高分二號標準景多光譜影像對本文方法進行試驗驗證。圖8(a)、(b)為高分一號多光譜影像，影像包含藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)和近紅外(0.77～0.89 μm)4個波段，各波段分辨率為8 m，大小為4548×4296像素。圖8(a)影像中心地理坐標為96.2°E，46.3°N，影像中主要包括戈壁、云、房屋和道路等。圖8(b)影像中心地理坐標為108.8°E，47.2°N，影像中主要包括山脈、云、雪和戈壁等。圖8(c)、(d)為高分二號多光譜影像，影像包含藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)和近紅外(0.77～0.89 μm)4個波段，各波段分辨率為4 m，大小為7300×6908像素。圖8(c)影像中心地理坐標為102.4°E，36.1°N，影像中主要包括山、海洋、云、房屋和道路等。圖8(d)影像中心地理坐標為115.4°E，41°N，影像中主要包括山脈、云、道路和房屋等。

表1 試驗1云檢測定量評價結果

2.2.1 檢測結果的目視評價

圖9為不同檢測方法對圖8中4景影像處理得到的云檢測結果。圖9(a1)、(b1)、(c1)、(d1)分別為圖8中4景影像的云檢測目視解譯結果。圖9(a2)、(b2)、(c2)、(d2)分別為多光譜閾值法對圖8中4景影像的云檢測試驗結果。圖9(a3)、(b3)、(c3)、(d3)分別為樹狀結構云檢測方法對圖8中4景影像的云檢測試驗結果。圖9(a4)、(b4)、(c4)、(d4)分別為本文方法對圖8中4景影像的云檢測試驗結果。在試驗結果中，影像中的綠色區(qū)域為云檢測結果。

在圖9(a1)、(a2)、(a3)、(a4)云檢測試驗結果中，黃色圓形圈定的區(qū)域內，多光譜閾值法將山脈區(qū)域識別為云，出現(xiàn)錯檢現(xiàn)象。在圖9(a3)中樹狀結構云檢測方法出現(xiàn)大量云錯檢與漏檢現(xiàn)象。本文方法的云檢測結果與目視解譯結果基本相似。

在圖9(b1)、(b2)、(b3)、(b4)云檢測試驗結果中，紅色圓形圈定的區(qū)域內，多光譜閾值法將雪識別為云，出現(xiàn)錯檢現(xiàn)象。在圖9(b3)中樹狀結構云檢測方法出現(xiàn)大量云錯檢與漏檢現(xiàn)象。本文方法也有少量的漏檢現(xiàn)象，但是基本與目視解譯結果相似。

在圖9(c1)、(c2)、(c3)、(c4)云檢測試驗結果中，黃色矩形圈定的區(qū)域內，多光譜閾值法將光譜值較高的房屋識別為云，出現(xiàn)錯檢現(xiàn)象。在圖9(c3)中樹狀結構云檢測方法出現(xiàn)大量云錯檢現(xiàn)象。本文方法也有少量的漏檢現(xiàn)象，但整體上與目視解譯結果更接近。

在圖9(d1)、(d2)、(d3)、(d4)云檢測試驗結果中，樹狀結構云檢測方法出現(xiàn)大量云錯檢與漏檢現(xiàn)象，本文方法與多光譜閾值法均出現(xiàn)漏檢現(xiàn)象，但是本文方法與目視解譯結果更接近。

2.2.2 檢測結果的定量評價

表2列出了3種不同算法對試驗2中4景影像云檢測結果的召回率、虛警率和準確率的定量評價結果。表2中本文方法的召回率與準確率均高于多光譜閾值法和樹狀結構云檢測方法，說明本文方法有更強的影像云識別能力。本文方法的虛警率與多光譜閾值法基本一致，且小于樹狀結構云檢測方法，說明本文方法有更高的云檢測精度。表2中本文方法召回率與準確率的平均值分別為0.8和0.965 2，均高于多光譜閾值法和樹狀結果云檢測方法；本文方法虛警率的平均值為0.052 2，小于多光譜閾值法和樹狀結果云檢測方法，說明本文方法對高分一號、高分二號等高分系列影像有更準確的云檢測結果。

3 結 論

針對高分辨率遙感影像云檢測過程中合適的云檢測光譜閾值難以確定，及影像中類云地物對云檢測精度影響的問題，本文提出一種基于對象光譜與紋理的高分辨率遙感影像云檢測方法。

圖6 試驗1影像數(shù)據Fig.6 Experimental images of test 1

圖7 試驗1的結果Fig.7 Experimental results of test 1

圖8 試驗2影像數(shù)據Fig.8 Experimental images of test 2

圖9 試驗2的結果Fig.9 Experimental results of test 2

表2 試驗2云檢測定量評價結果

該方法首先對影像進行直方圖均衡化處理，根據均衡化影像直方圖獲得合適的影像云檢測光譜閾值。其次使用SLIC算法對影像進行分割生成超像素對象，以超像素為處理單元，根據云檢測光譜閾值和超像素光譜屬性獲得初始影像云檢測結果。然后求得直方圖均衡化影像的LBP紋理圖，根據超像素LBP紋理均值及角二階矩對初始云檢測結果提純，消除影像中類云地物對云檢測的影響。最后對提純云區(qū)域進行區(qū)域增長與膨脹處理獲得最終的影像云檢測結果。通過兩組試驗對本文方法與多光譜閾值法、樹狀結構云檢測方法進行定性、定量對比評價，試驗結果表明，本文方法可以消除山脈、房屋、小面積積雪等類云地物對影像云檢測的影響，獲得良好的影像云檢測結果。下一步將對本文方法進行優(yōu)化提高其運行效率。