杂志的下一篇文章
利用MODIS对VIIRS增强植被指数进行光谱交叉校准：使用一年全球数据的案例研究
期刊上的上一篇文章
一种改进的基于点云数据的电力线重构方法
 
 
搜索用于文章:
标题/关键字
作者/附属机构/电子邮件
日记账
文章类型
 
 
高级搜索
 
章节
特别发行
体积
问题
编号
第页
 
期刊销售
遥感
第8卷
第1版
10.3390/rs8010031
遥感损失
提交到此日志 本期刊评论 提出特殊问题
► 文章菜单

文章菜单

分享 分享 公告 帮助 format_quote格式 引用 问题_答案 在SciProfiles中讨论 竖起拇指（_U）
...
背书 短信
...
注释
第一页
设置
订购文章重印
字体类型：
宋体 佐治亚州 宋体，Verdana
字体大小：
澳大利亚 澳大利亚 澳大利亚
行距：
列宽：
背景：
第条

基于光谱特征和时空背景的HJ-1A/B星座CCD云雪识别

通过
金湖边
1,2,†,
李爱农
1,*,†,
黔南刘
1,2,†和
黄成全
三
1
中国科学院山地灾害与环境研究所，成都610041
2
中国科学院大学，北京100049
三
美国马里兰州大学地理系，马里兰州大学帕克分校，邮编：20742
*
应向其寄送信件的作者。
†
这些作者为这项工作做出了同等贡献。
远程传感器。 2016,8(1), 31;https://doi.org/10.3390/rs8010031
收到的提交文件：2015年9月27日/修订日期：2015年12月14日/接受日期：2015年12月25日/出版日期：2016年1月5日
浏览地物
版本注释

摘要

:
在任何应用之前，都需要准确地检测卫星图像中的云。然而，由于云和雪的光谱特征相似，因此遥感图像中的云和雪识别是一项具有挑战性的任务。短波红外（SWIR，例如Landsat TM 1.55–1.75µm波段）波段被广泛用于云和雪的分离。然而，对于一些设计不带SWIR波段的传感器，如CBERS-2（中国-巴西地球资源卫星）、CBERS-4和HJ-1A/B（环京，中文意思是环境），这些方法不再实用。本文提出了一种新的实用方法，通过将光谱反射率与时空上下文信息相结合来区分云和雪。以我国云雪覆盖频繁的贡嘎山地区为例，介绍了如何利用2011年HJ-1A/B CCD图像中的181个场景来区分云雪的详细方法。目视检查表明，该方法可以准确地分离云和雪像素。通过将检测结果与随机验证方案生成的参考云掩模进行比较，进行像素级定量准确性验证。像素级验证结果表明，决定系数（R2)参考云掩模与检测结果之间的差值为0.95，云的平均总准确度、准确度和召回率分别为91.32%、85.33%和81.82%。实验结果表明，该方法能够有效地为缺少HJ-1A/B CCD图像的SWIR提供合理的云掩模。由于HJ-1A/B已在轨7年多，且这些卫星仍运行良好，因此该方法有助于历史档案HJ-1A/B图像甚至类似传感器的云掩模生成。

图形摘要

1.简介

卫星图像中云的准确检测对于广泛的应用至关重要[1]. 这是土地覆盖分类的基本预处理步骤[2]，更改检测[三]，图像合成[4,5]或生物物理变量反演[6,7]. 通常，卫星图像中未检测到的云层会导致气溶胶浓度出现严重的正偏差，增加地表反照率，并导致在没有发生变化的地方识别出土地覆盖变化[8,9].
图像中云的精确检测是一项非常具有挑战性的工作，这不仅因为云本身的复杂性，而且还因为云和雪的识别困难[1]. 关于云的复杂性，存在许多类型的云，不同类型的云具有不同的光谱特征。差异主要取决于云的光学厚度、高度、粒子有效半径和热力学相位等特性[10,11]. 特别是，薄卷云由于其与地表的混合光谱特征而极难被探测到[12,13]. 关于云和雪的区分，雪和云的光谱特征在可见波长下都很明亮。这种光谱相似性使得它们很难在可见波段中区分。此外，雪的光谱反射率也会因其粒度、杂质含量和积雪厚度等特性而发生很大变化。有时雪与某些云具有非常相似的光谱特征[9].
多年来，基于光谱特征开发了许多自动云检测方法（以下称为基于光谱的方法）[5,9,10,12,14,15,16,17]. 在不同的光谱波段中，短波红外（SWIR，例如Landsat TM 1.55–1.75µm波段）波段被最广泛地用于云和雪的识别。主要原因是雪的反射率通常低于云层，因此雪在SWIR波长上通常比云层暗[18]. 归一化差值雪指数（NDSI）[19,20]是可见光和短波红外的组合，对雪和云的分离非常有效[1,10,16]. 例如，它用于生成陆地卫星生态系统干扰自适应处理系统（LEDAPS）中的内部云和雪掩蔽算法[21,22]. 然而，对于一些新发射的没有SWIR波段的传感器，如CBERS（China-Brazil Earth Resources Satellite）、HJ-1A/B（HuanJing（HJ），中文的意思是环境），上述基于光谱的方法不再实用，这些传感器在区分云和雪方面的困难更为严重。
将光谱特征与时空背景相结合，为云或雪检测过程提供更多补充信息[1,8,23,24]. 对于时间上下文，它已用于许多卫星传感器（包括MODIS）的新算法开发[8]、陆地卫星[9]，点[25]和Sentinel-2[23]. 使用时间背景的一个直接而简单的策略是比较云图像和参考清晰图像的光谱差异[23]. 这种策略基于云的存在会带来高频随机变化的基本假设，通过与清晰的参考图像进行比较，云和雪可以很容易地分离（以下称为基于时间的方法）。然而，基于时间的方法也有一些局限性。主要限制来自卫星的重访周期，特别是对于陆地卫星这样的空间分辨率高但重访周期长的传感器。由于这些卫星的重访周期很长，在重访周期中，落叶林、草地、农田和冰川等一些土地覆盖类型的酚学变化可能变化很大，因此反射率变化是由云的存在引起的基本假设可能是无效的。另一个限制来自云和雪之间的几何位置关系。如果云覆盖相同的雪区，光谱差异将削弱云的光谱特征，从而可能导致遗漏错误。此外，大多数基于时间的算法通常仍需要SWIR频带[8,9,23]，这限制了它们在没有SWIR波段的传感器中的应用。
对于空间上下文信息，它可以定义为一个对象（或多个对象）的存在概率如何受到其（或其）邻居的影响[26]. 它是目标对象与空间环境生成的合成信息之间的关系[27,28]. 纹理是广泛使用的空间上下文信息，它是指图像中各种物体的重复局部模式及其规则排列[29]. 云和雪的纹理是它们的重要特性之一。即使云和雪的纹理元素是可变的和不可预测的，它们仍然与地面物体的纹理特征有明显的不同。在纹理特征分析的基础上，许多科学家为提高云或雪检测的准确性做了大量工作[30,31,32,33]. 然而，目前大多数基于纹理的算法都假设多云图像中没有雪，或者雪覆盖图像中没有云[33]. 此外，还有许多类型的纹理特征，由于休斯效应，使用更多的特征自然不会导致更高的精度[29]. 此外，使用更多的特征也会导致较大的计算成本[32].
HJ-1A/B是中国于2008年9月发射的新一代极轨星座。它提供了像陆地卫星一样的精细分辨率（30米）图像和密集观测（每两天重访一次），这适用于捕捉人类活动的影响和检索异质陆地表面的生物物理参数[34]. 然而，由于缺少SWIR波段，HJ-1A/B CCD图像的云检测方法仍处于探索阶段。值得注意的是，充分利用HJ-1A/B的光谱特征和时空上下文信息可能是提供准确云掩模的实用方法。本文以HJ-1A/B CCD图像为例，重点研究了以下云和雪的识别问题：（1）特别关注HJ-1A/B CCD和HJ-1A/B CCD类SWIR带锁图像的云和雪识别；（2）开发了一种实用的云雪识别方法，该方法可以将光谱特征与时空上下文信息相结合。本文的其余部分组织如下：第2节介绍了研究区域、HJ-1A/B卫星、图像预处理方法以及本文使用的数据时间序列叠加。第3节介绍了云和雪的识别方法。第4节显示了结果和精度分析。第5节讨论了所提方法的优点和局限性。第6节给出了结论。

2.研究区域和数据

2.1. 研究区域

在本研究中，贡嘎山地区被选为研究区域，以评估所提方法的性能(图1). 选择该地区的原因如下：（1）贡嘎山地区通常受云和雪的影响。该地区是青藏高原东部的最高峰，也是中国最东部的冰川区之一[35]. 高山上积雪持续，尤其是在海拔约4800米的雪线上游地区。此外，由于亚洲夏季风的影响，该地区的年降雨量（3000米，a.s.l）约为1960毫米，大部分降雨量在6月至9月以降雨的形式下降[36]. 由于这段时间降雨量相对集中，这里的天气多云，卫星图像通常被云层污染。频繁出现的云层和持续的积雪使该区域适合测试算法的识别能力；（2） 研究区土地覆盖复杂，季节变化明显。该地区的地形为高山地形，具有巨大的垂直起伏（海拔890米至7556米）。地形对垂直植被分带形成的影响是明显的，这进一步使得植被物候变化在很短的距离内变化很大。这种物候变化可能会给时间上下文分析带来不确定性。面积约22500公里2选择贡嘎山地区的（150km×150km）作为本研究的案例区域。

2.2. HJ-1A/B概述

选取HJ-1A/B CCD图像对本文提出的方法进行了开发和测试。目前，HJ-1星座由一对光学卫星（1A/B，2008年9月发射）和一颗微波卫星（1C，2013年9月启动）组成[37]. HJ-1A/B的主要目标是在两天内重新访问世界上的任何位置，以进行环境监测和减灾。为了实现如此快速的全球覆盖，两颗光学卫星分布在同一高度和轨道平面上，相位延迟180度，每颗都具有四天重访能力[38]. HJ-1A/B正在649.093公里的太阳同步圆轨道上运行，其下降节点为上午10:30±30分钟[39]. 选择该卫星通过时间是为了考虑云层覆盖和合适的太阳光照度。它也接近Landsat本地立交时间，并与Terra MODIS匹配。
HJ-1A/B的有效载荷包括两个相同的多光谱CCD图像相机，它们提供30米的空间分辨率和从可见光到近红外的四个波段观测：蓝色（波段1，0.43–0.52μm）、绿色（波段2，0.52–0.60μm）、红色（波段3，0.63–0.69μm）和近红外（波段4，0.76–0.90μm）。两个CCD摄像机在卫星最低点对称放置。这样的布局使得两个CCD摄像机可以均匀地划分视野，并排观察地球。单个HJ1A/B CCD图像的线束宽度为360 km，而两个CCD相机的组合可获得700 km的线束宽度。CCD图像可从中国资源卫星数据与应用中心（CRESDA）免费获取。有关信息，请访问[40]界面为英语。
远程设置08 00031 g001 1024
图1。研究区域的地理位置和数字高程模型。右图是2011年11月19日HJ-1B CCD1图像的子集，分别显示了4、3和2条红色、绿色和蓝色条纹。
图1。研究区域的地理位置和数字高程模型。右图是2011年11月19日HJ-1B CCD1图像的子集，分别显示了4、3和2条红色、绿色和蓝色条纹。
远程调校08 00031 g001

2.3. 图像预处理

2.3.1. 几何校正

HJ-1A/B图像由中国资源卫星数据与应用中心（CRESDA）发布，该中心为二级产品（经过系统几何校准）。HJ CCD图像的精确配准由年开发的自动配准和地形校正算法实现[41]. 该算法采用基于区域的图像对图像匹配方法，自动选择几何校正后的基础图像与HJ-1A/B CCD图像之间的连接点。本文使用2005年全球土地调查（GLS）Landsat图像作为基础图像，地理定位误差小于30 m[42]. 来自航天飞机雷达地形测量任务（SRTM）的高程数据用于纠正局部地形起伏引起的视差误差[43].

2.3.2. 辐射定标

辐射定标是消除传感器光电系统衰减影响的基本过程[5]. 这对于从星座中获取的图像尤为重要，因为不同卫星中传感器的衰减明显不同[44]. HJ-1A/B多光谱CCD图像中记录的原始数字（DN）值根据[45].

2.3.3. HJ-1A/B CCD时间序列叠加

本文中，HJ-1A/B CCD时间序列叠加（HJTSS）是指在特定地理区域的标称时间间隔内获取的一系列HJ-1A/B CCD图像。与HJ-1A/B CCD图像的时间分辨率相同，HJTSS的时间间隔约为两天。为了获得不同HJ-1A/B CCD图像的相同地理区域，使用具有固定尺寸（行和列的数量）的瓦片来组织HJTSS，而不是原始路径/行。HJ-1A/B星座的轨道构型是使用固定瓦时考虑的主要因素[46]. 考虑单个文件的数据量来确定分幅尺寸。为了确保可管理的文件大小，最终确定平铺为5000×5000像素。在本文中，总共选择了181幅2011年的图像场景作为测试图像，其中路径为14-19，行为80。

3.方法

为了克服有限的HJ-1A/B光谱带带来的缺点，本节描述了将光谱信息与时空背景相结合的新云雪识别方法。建议的方法包括三个主要阶段，如流程图所示(图2)：初始光谱测试、时间上下文测试和空间上下文测试。在第一阶段，基于白度和Haze Optimized Transformation（HOT）光谱测试一起提取云和雪像素。然后，在第二阶段，计算HJTSS图像和无云参考图像之间的光谱差异，以区分大多数云和雪像素。为了获得无云参考图像，本阶段首先基于一种简单的改进的最大NDVI值方法合成每个月的HJTSS。考虑到复合材料中可能存在残余云，使用中值云筛选方法检测残余云像素，然后使用基于Saviziky–Golay（S-G）滤波器的重建方法重建这些云像素的特征。上述两个阶段是在光谱特征和时域上进行的。在第三阶段，利用区域协方差矩阵（RCM）距离计算的合成空间纹理信息来纠正前两阶段的委托和遗漏错误。结果，云和雪像素最终被区分。
远程设置08 00031 g002 1024
图2。算法开发流程图。
图2。算法开发流程图。
远程调校08 00031 g002

3.1. 云和雪的初始光谱测试

由于雪和云在可见光（VIS）和近红外（NIR）波段的光谱响应相似，因此首先使用两种光谱测试来提取所有HJTSS的雪和云像素。白度测试（WT）最初由Gomez-Chova提出等。[47]，作为本研究的基础测试。由于厚云和雪在可见光和近红外波段通常都很明亮，因此WT测试对厚云和雪层的检测非常有效。它基于以下方程式：
平均值 V（V） 我 S公司 = ( 乐队 1 + 乐队 2 + 乐队 三 )/ 三
W公司 T型 = ∑ 我 = 1 三 |( 波段i − 意思是 V（V） 我 S公司 )/ 平均值 V（V） 我 S公司 | < 0.3
其中，波段1-3分别是HJ-1A/B CCD图像的蓝色（0.43–0.52μm）、绿色（0.52–0.60μm）和红色（0.63–0.69μm）波段。
WT测试增强了可见光波段和整体亮度之间的亮度差异。它在环境卫星（ENVISAT）和中分辨率成像光谱仪（MERIS）中工作良好[1]. 然而，由于薄云的亮度与土地覆盖直接相关且可变，因此它在薄云检测方面存在一些缺陷。如果薄云的下表面具有高反射率，则多云的像素是明亮的。否则，薄云像素的亮度可能接近亮云像素[13]. 为了解决这个问题，张开发的HOT测试等。[48]用于探测薄雾或薄云。HOT的基本假设是，晴朗天气条件下不同地表覆盖类别的光谱响应在可见光波段高度相关，但薄雾和薄云的光谱响应对蓝色和红色波长高度敏感。因此，这种相关性变化可用于探测薄雾和薄云[1,21]. 可以表示为：
HOT测试 = 乐队 1 − 0.5 × 乐队 三 − 0.08 > 0
其中，波段1和3分别是HJ-1A/B CCD图像的蓝色（0.43–0.52μm）和红色（0.63–0.69μm）波段。需要注意的是，由于可见带中一些明亮像素（如贫瘠岩石、浑浊的水或雪表面）的反射率较大，HOT也可能包括这些像素[1].

3.2. 使用时间上下文分离云和雪

如前所述，由于缺少SWIR波段，仅使用视觉到近红外光谱信息将云和雪分开是非常困难的。然而，从时间的角度来看，很明显，云由于其移动性特征而不能持久地停留在同一位置。因此，如果地表反射率在时间序列观测中变化较大，则可能是云层的存在造成的[23]. 时间上下文是有效的信息，可以用于区分云和雪。

3.2.1. 每月无云参考图像的合成

首先需要一个无云参考图像来检测HJTSS中云的光谱变化。考虑到无云图像通常很难获取，本文中的参考图像是由每月的部分多云图像合成的。文献中报道了许多图像合成方法，通常应用最小或最大准则[49,50,51,52,53]. 在这些方法中，最大NDVI值法被广泛使用，因为它可以获得最佳的植被观测，并在一定程度上消除云阴影。然而，最近的研究也指出，合成结果来自最大NDVI值方法(图3a） 由于云的NDVI高于水，导致水面出现故障（如区域a所示）[53]. 另一方面，由最小蓝带产生的复合材料(图3b） 可以选择特定时间窗口中“最清晰”的像素[52]. 它在开阔水域的表现优于最大NDVI，但由于云影的反射率低于晴朗陆地，它仍然明显受到云影污染（B区）的影响。为了利用最大NDVI方法选择植被像素和最小蓝色方法选择清晰像素，这里使用了一个简单的组合准则（方程（4））来合成参考图像。
{ 最大值 ( N个 D类 V（V） 我 t吨 )      水测试 = 0 最小值 ( ρ t吨 蓝色 )           水测试 = 1
哪里
水测试 = ( N个 D类 V（V） 我 < 0.01 和波段 4 < 0.11 ) 或 ( N个 D类 V（V） 我 < 0.1 和波段 4 < 0.05 )
当云层出现在与开阔水域相同的地理区域时，该组合标准保留了开阔水域信息。它还保留了合成过程中的最佳植被像素。首先根据水像素的物理特性，在组合标准中识别水像素：在近红外波长中观察到的信号低于可见光波长。NDVI和Band 4的阈值继承自LEDAPS内部云掩蔽算法，其中数字0表示无水像素，1表示水像素[21].图3c说明了根据组合合成准则生成的图像。显然，合成结果优于上述两种方法，并且复合材料的质量得到了大幅提高。
远程设置08 00031 g003 1024
图3。不同堆肥方法生成的无云图像：(一)最大NDVI；(b条)最小蓝色；和(c（c）)组合合成标准。
图3。不同堆肥方法生成的无云图像：(一)最大NDVI；(b条)最小蓝色；和(c（c）)组合合成标准。
远程调校08 00031 g003

3.2.2. 复合材料的后处理

由于上述合成物中可能仍存在一些残余云，因此需要对合成物进行进一步处理以获得无云参考图像。首先采用中值云筛选方法对残差云进行检测。该方法基于这样一个假设，即云的位置会迅速变化，云不能持续停留在同一位置，因此云像素的反射率始终高于同一位置整个时间序列的中值[9,54]. 由于短波对云更敏感，所以在中值云筛选方法中使用了蓝带TOA反射率。如果合成物中像素的蓝带TOA反射率等于或高于中值加上常数，则将其确定为残余云像素（方程式（6））。
ρ ( 波段 1 , x个 j个 ) ≥ 中值的 ( ρ ( 波段 1 , x个 { 1 , 2 , 三 , … 12 } ) ) + T型 1
哪里， ρ ( 乐队 1 , x个 j个 ) 是每月观察到的蓝带TOA反射率x个对于j个第个像素。T型1是一个常数，以确保如果像素的整个时间序列没有云，则蓝带TOA反射率高于中值的像素不会被误认为是云。根据对所有181幅图像的测试，常数T型1测定为0.04。
在中值云筛选法成功识别出残差云像素后，采用基于S-G滤波的重建方法对残差云进行重建[55]. 在重建方法中，首先使用线性插值，利用相邻日期的非云TOA值粗略预测云像素的TOA反射率。然后，使用基于S-G滤波器的重建方法估计这些云像素的TOA反射率。S-G滤波器是一种简化的最小二乘-傅立叶卷积，用于平滑和计算一组连续值的导数[56]. 它使用一个高阶多项式而不是常数来实现滑动窗口内的最小二乘拟合，以逼近基函数。在邻近点上取固定数量的点来拟合多项式，在拟合过程中根据多项式给出邻近点的平滑值[57].
ρ ^ ( b条 , x个 j个 ) = ∑ 我 = − 米 我 = 米 C 我 ρ j个 + 我 N个
哪里 ρ ^ ( b条 , x个 j个 ) 是预测的TOA反射率b条每月第个波段j个对于x个云像素，C我是Savizky–Golay滤波器给出的系数N个是平滑窗口中的像素数，等于平滑窗口大小（2米+ 1).
为了说明这些残余云的重建效果，图4显示了三个典型地区重建前后的对比。显然，中值法成功地捕捉到了合成物中的残余云，重建后，这些多云区域与那些清晰的地面平滑过渡。
远程设置08 00031 g004 1024
图4。每月合成图像中残余云及其5月、6月和11月的Savizky–Golay过滤器重建结果的比较：(一)月复合物中的残余云；和(b条)通过中值方法生成的残差云掩码，其中黄色的颜色是云和绿色颜色是背景。识别出的云范围稍大，因为云的三像素膨胀，以排除云的一些薄边；(c（c）)Savizky–Golay滤波器的重建结果。
图4。每月合成图像中残余云及其5月、6月和11月的Savizky–Golay过滤器重建结果的比较：(一)月复合物中的残余云；和(b条)中值法生成的残余云遮罩，其中黄色的颜色是云和绿色颜色是背景。识别出的云范围稍大，因为云的三像素膨胀，以排除云的一些薄边；(c（c）)Savizky–Golay滤波器的重建结果。
远程调校08 00031 g004

3.2.3. 基于参考图像的云雪判别

基于Hagolle等。[23]，如果像素的蓝带TOA反射率满足以下多时相标准，则可以将其标记为云像素：
[ ρ 蓝色 ( D类 ) − ρ 蓝色 ( D类 第页 )] > T型 2 × ( 1 + ( D类 − D类 第页 )/ D类 T型 , n个 )
哪里 ρ 蓝色 ( D类 ) 是当前给定像素的蓝带TOA反射率D类、和 ρ 蓝色 ( D类 第页 ) 是无云参考图像的对应蓝带TOA反射率，这是本文中每月合成的参考图像。 D类 − D类 第页 是从测试日期到参考日期的天数，以天表示。它是根据给定图像的采集日期和存储在合成图像中的日期（DOY）数据层计算得出的。由于云和雪的反射率相对较高，而该波段中大部分地表的反射率较低，因此使用了蓝色波段差异代替了其他波段[9].
当参考图像和云图像之间的日期非常接近时，阈值T型2根据中的反射率差异分析，方程式（8）设为0.03[23]，以及D类T、 n个设为30天的常数。然而，由于光谱宽度设置不同，HJ CCD图像的最佳阈值需要调整。为了找到HJ CCD图像的最佳阈值，我们分析了2011年HJ CCD所有图像在两天间隔内雪、云和晴朗陆地像素的TOA反射率变化。在图5值得注意的是，0.05的阈值可以更好地用于区分云和晴朗土地。这个D类T、 n个根据每个月的天数设置。
远程设置08 00031 g005 1024
图5。雪、云和净地面像素的大气顶部（TOA）反射率差异直方图，间隔两天。
图5。雪、云和晴空地面像素两天间隔的大气顶部（TOA）反射率差异直方图。
远程调校08 00031 g005
虽然多时相准则可以有效地将大部分云和雪像素分离出来，但它仍有一些缺点。例如，由于多时相图像中的光谱变化非常缓慢，一些薄云可能被视为晴朗的地面。此外，根据方程（8），反射率高于参考图像的雪像素可能被误检测为云。因此，使用以下空间上下文标准进一步处理检测不正确和未检测到的云。

3.3. 利用综合空间上下文分离云与雪

3.3.1. 理论基础

为了解决上述问题，在该方法的第三阶段进一步使用了云和雪的空间背景。广泛应用于目标检测和跟踪的RCM[58,59]在此阶段，field被用于合成多种纹理特征。RCM是一种用于目标检测和分类的快速区域描述符[60]. 与仅使用一个纹理特征不同，RCM可以合成多个图像统计信息，包括光谱反射率、梯度或滤波器响应作为图像特征，然后使用这些特征的协方差作为区域描述符。结果表明，RCM可以吸收较大的旋转和光照变化，并且还可以滤除破坏单个样本的噪声[61]. 两个RCM的相似性度量是距离度量，它定义在正定对称矩阵上，因为协方差矩阵不是欧氏空间的元素。
为了计算RCM，让我是遥感图像，以及F类成为宽×高×厚从中提取的标注特征我:
F类(x个,年) = φ(我,x个,年)
其中函数φ可以是任何映射，例如灰度值、颜色、梯度和过滤器响应。x和y是图像坐标系中的行和列。对于给定的矩形 R（右） ⊂ F类 ，让 { z（z） k个 } k个 = 1 , … , n个 成为d日-内部标注特征点R（右）.区域R（右）可以用d×d特征点的协方差矩阵：
C R（右） = 1 n个 − 1 ∑ k个 = 1 n个 ( z（z） k个 − μ ) ( z（z） k个 − μ ) T型
其中μ是点的平均值，n个是像素数。
由于RCM之间的距离不在欧几里德空间中，因此两个协方差矩阵的相似性可以用Förstner来度量等。[62]:
d日 ( C 0 , C T型 ) = ∑ 我 = 1 n个 自然对数 2 ( λ 我 ( C 0 , C T型 ) )
哪里 d日 ( C 0 , C T型 ) 是RCM在参考之间的距离C0和检测图像CT型. { λ 我 ( C 0 , C T型 ) } 我 = 1 … n个 是的广义特征值C0和CT型.

3.3.2. 云和雪识别的RCM实现

对于云和雪的识别，给定一个测试和参考图像，使用RCM的目的是增强多云区域的信息，削弱无云区域的数据。由于云层的存在使得云层区域的光谱特征和纹理特征与参考图像相比发生了显著变化，RCM的距离对云层区域敏感，而对那些清晰的地面不敏感。当HJTSS和参考图像的RCM显示的距离大于阈值时，可能是由云层污染引起的。
四波段TOA反射率和计算的NDVI用于HJTSS和月度参考复合物的RCM开发。代表一阶和二阶导数的Sobel算子和拉普拉斯高斯（LoG）算子的响应也作为纹理特征进行处理，并包含在RCM中。Sobel算子是一种非线性边缘增强检测器滤波器，它使用Sobel函数的近似值来获得给定图像的一阶导数。它形式简单，广泛应用于边缘检测领域。LoG算子首先使用高斯卷积滤波器降低图像噪声，然后使用拉普拉斯算子寻找图像二阶导数的零交点进行边缘检测，提高了对噪声和离散点的鲁棒性。同质性特征是从灰度共生矩阵（GLCM）中提取的，用于测量GLCM中元素分布与GLCM对角线的接近程度[63]也被引入RCM。八维特征向量可以写在等式（12）中，如等式（9）所定义：
F类 ( x个 , 年 ) = [ b条 1 − 4 ( x个 , 年 ) , N个 D类 V（V） 我 ( x个 , 年 ) , S公司 o个 b条 e（电子） 我 ( x个 , 年 ) , L（左） o个 G公司 ( x个 , 年 ) , H（H） o个 米 o个 _ G公司 L（左） C M（M） ] T型
哪里，b条1–4(x个,年)是HJ-1A/B图像的四个波段TOA反射率；NDVI公司(x个,年)根据频带4和3计算；索贝尔(x个,年)是Sobel运算符的蓝带响应；LoG公司(x个,年)是高斯算子拉普拉斯的蓝带响应；而Homo_GLCM是从GLCM中提取的同质性特征(x个,年)是像素位置。
实施步骤如下。首先，在图像中放置一个3×3像素矩阵的小区域，如所示图6首先计算小区域的RCM用于测试(C1)和参考图像(C2)通过方程式（10）。然后两者之间的距离C1和C2根据方程式（11）计算。选择6.50的阈值进行最佳云雪判别(图6). 该阈值是根据对所有181幅图像的测试得出的。对于大多数晴朗和雪地像素，参考和HJTSS之间的距离始终小于6.50。如果有云，即使出现一些薄云，RCM之间的距离也会急剧增加，通常大于6.50。因此，6.50的阈值有助于在前两个步骤中区分未检测到的薄云和未检测到的雪像素。在RCM分析后，所有多云像素在所有八个连接方向上被三个像素放大，以去除可能部分受云影响的周围像素。
远程设置08 00031 g006 1024
图6。图像特征构建和区域协方差矩阵（RCM）差异检测。
图6。图像特征构建和区域协方差矩阵（RCM）差异检测。
远程设置08 00031 g006

3.4. 准确性评估

以下三种不同的准确度指标，即总准确度、准确度和召回率，用于评估算法结果的准确度。以云为例。定义真正的积极因素(TP（转移定价）)作为算法中正确标记为属于云的云的数量，假阳性(FP公司)由于非云的数量被错误地标记为属于云，错误的否定(FN公司)作为错误标记为属于非云的云的数量，以及True Negaties(TN公司)作为非云的数量，也标记为属于非云。准确度、准确度和召回率定义为[64]:
总精度=(TP+TN)/(TP+TN+FP+FN)
精密度=TP/(TP+FP)
召回=TP/(TP+FN)
在云的情况下，精度表示真正的云像素在云检测结果中的比例，而召回是指图像中实际为云的所有像素，其中有多少被检测为云。就精确度和召回率而言，它们更好地反映了雪和云类的遗漏和委托错误，而不是总体精确度。分别计算了云和雪的这三个精度。

4.结果与分析

4.1. 遮罩结果

图7描述了四个不同日期的HJ-1A/B图像的云和雪检测结果。通过将结果与假彩色合成（RGB=4，3，2）进行视觉比较，可以清楚地看出，本研究中开发的算法能够准确分离云和雪像素。图7a是2011年1月14日拍摄的冬季图像，整个图像上有明显的云和雪。遮罩结果表明，它具有很强的从云像素中排除雪像素的能力。另一方面，图7b是2011年4月14日采集的春季图像，表面反射率变化较大。中的红色四合院图7b被裸露的岩石（见红色箭头）和雪（见黄色箭头）覆盖，这是当前配色方案中明亮的地表。在识别地表非常明亮的地区的云层方面，遮罩效果很好。图7c是2011年6月12日拍摄的图像，有许多厚薄的卷云（见黄色箭头）。值得注意的是，通过所提出的方法也可以准确地识别薄云。图7d是在2011年9月1日获得的，图中有裸露的岩石（见黄色箭头）和厚厚的气溶胶（见红色箭头）。在掩模结果中，成功地排除了气溶胶和裸露明亮的岩石，并准确地识别了云层像素。
遥感08 00031 g007 1024
图7。四个不同日期的云雪分离结果。(一)HJ1A-CCD1-20110114现场结果；(b条)HJ1A-CCD1-20110414现场结果；(c（c）)HJ1A-CCD2-20110612年6月12日现场结果；和(d日)HJ1B-CCD1-20110901现场结果。对于每个日期(左上方)和(右上角)显示假彩色合成的HJ图像和相应的云遮罩；和(左下方)和(右下方)图像是放大的(左上方)和(右上方)图像，分别具有1000像素×1000像素的大小。
图7。四个不同日期的云雪分离结果。(一)HJ1A-CCD1-20110114现场结果；(b条)HJ1A-CCD1-20110414现场结果；(c（c）)HJ1A-CCD2-20110612年6月12日现场结果；和(d日)HJ1B-CCD1-20110901现场结果。对于每个日期(左上方)和(右上方)显示假彩色合成的HJ图像和相应的云遮罩；和(左下方)和(右下方)图像是放大的(左上角)和(右上方)图像，分别具有1000像素×1000像素的大小。
远程定位08 00031 g007
图8提供了一年中每个季度中间四个月的算法性能说明。气候建模社区采用的北半球标准季节定义用于春季的定义，春季的定义为三月至五月。每列包含14幅图像。由于HJ-1A/B星座的重访期为两天，因此大多数图像的时间间隔为两天。云的流动性和同一地理区域不同时期提供的时间上下文信息在这些图像中清晰可见，对开发的算法的成功至关重要。一般来说，本文开发的算法对每个季节的大多数图像都很有效。无论雪的亮度如何，该算法的性能都是鲁棒的。总的来说，当地面条件稳定时，例如在7月和10月，由于积雪覆盖时间较长，它的表现最佳。然而，当地表变化迅速且合成物参考值的降雪量比这些天少时，该算法倾向于高估突然降雪或融雪期间的云量。例如，代表冬季的第一列显示了对一些云的高估。定性评估是算法开发的一个重要方面。为了更严格地评估其准确性，使用了参考数据。
遥感08 00031 g008a 1024远程设置08 00031 g008b 1024
图8。2011年每个季节中月贡嘎山150 km×150 km区域的拟议算法性能示例。使用了气候建模社区采用的北半球标准季节定义，其中春季定义为三月至五月。假彩色合成图像，带4、3和2红色,绿色和蓝色分别显示在左侧，云遮罩显示在右侧，颜色为黄色。
图8。2011年每个季节中月贡嘎山150 km×150 km区域的拟议算法性能示例。使用了气候建模社区采用的北半球标准季节定义，其中春季定义为三月至五月。假彩色合成图像，带4、3和2红色,绿色和蓝色分别显示在左侧，云遮罩显示在右侧，颜色为黄色。
远程调校08 00031 g008a远程设置08 00031 g008b

4.2. 云雪辨别各阶段表现

为了说明该方法中云和雪识别的每个阶段的有效性，图9分别显示了四个不同日期采集的HJ-1A/B图像、相应的月参考合成、光谱测试的初始掩模结果、时间上下文测试后的掩模结果，空间上下文测试后最终的掩模效果，以及参考图像与HJ-1A/B图像之间的RCM距离。
总的来说，每个阶段云和雪辨别能力的提高可以从以下方面得到明确说明图9.对于初始光谱测试(图9，第三行），很明显，雪和云被准确地从干净的地面上分离出来。然而，由于雪和云的光谱相似性，只能在此阶段一起提取它们的像素。另一方面，在时间上下文测试后，许多雪像素从云中被显著消除。根据以下四个案例领域的统计数据图9时间上下文测试成功分离出初始光谱测试中约79.98%的误分类云像素。然而，还需要注意的是，时间测试结果中仍存在一些雪像素（见红色箭头）。特别是，使用RCM后，雪像素有效地从云中排除（在红色椭圆中）。RCM测试进一步消除了时间上下文测试中20.02%的误分类云像素。
遥感08 00031 g009 1024
图9。使用区域协方差矩阵（RCM）前后的比较。列(一–d日)分别是1月6日、4月30日、6月29日和10月10日采集的HJ图像及其对应的各阶段云雪判别结果。第一行和第二行是对应的每月合成图像和以假彩色显示的原始图像，带4、3和2英寸红色,绿色和蓝色分别为。第三、第四和第五行分别是光谱测试、时间测试和纹理测试的云遮罩。第六行是RCM的距离，其颜色条位于该图底部。
图9。使用区域协方差矩阵（RCM）前后的比较。列(一–d日)分别是1月6日、4月30日、6月29日和10月10日采集的HJ图像及其对应的各阶段云雪判别结果。第一行和第二行是对应的每月合成图像和以假彩色显示的原始图像，带4、3和2英寸红色,绿色和蓝色分别为。第三、第四和第五行分别是光谱测试、时间测试和纹理测试的云遮罩。第六行是RCM的距离，其颜色条位于此图底部。
远程调校08 00031 g009

4.3. 像素精度评估

基于视觉评估，可以有效地区分HJTSS中不同日期的云和雪像素。为了进一步定量评估结果的准确性，导出了每个图像的参考云遮罩，并评估了像素级的准确性。参考云遮罩由监督分类方法和手动编辑方法导出，如下所示。首先，使用基于对象的分类算法将图像分割为对象。然后，选取云和雪的样本对象作为训练数据集，构建决策树，将分割后的对象分为云、雪和空地。最后，人工编辑分类结果以消除误分类错误，从而生成最终参考遮罩。
为了减少手动编辑工作量，使用伪随机数函数随机选择每张图像中500像素×500像素尺寸的平铺作为参考云遮罩。HJTSS首先分为10×10块，从左到右，从上到下，从1到100连续编号(图10a） ●●●●。然后，使用伪随机数函数从1到100中选择一个代表所选分片的随机正数。所有HJTSS的最终选定参考图块如所示图10b.网格中的每个数字表示选择此互动程序的次数。
远程设置08 00031 g010 1024
图10。(一)是参考遮罩的平铺网格(b条)是每个平铺的选择结果。
图10。(一)是参考遮罩的平铺网格(b条)是每个平铺的选择结果。
远程调校08 00031 g010
图11显示所有参考云遮罩和算法云遮罩之间的云覆盖率散点图。总的来说，我们提出的方法对云层覆盖率的估计非常准确(图11)，带有R2大于0.9。回归线的斜率为0.94，截距很小（3.29%），均方根误差（RMSE）相对较小（8.89%）。然而，从上述所有参考遮罩的比较来看，还应注意到，某些日期的协议相对较低。这些分歧主要是由检查后的突然降雪事件引起的，这将在第5.3节.
图12分别显示了云和雪的总体准确度、准确度和召回率的直方图。在像素尺度上，对于云，平均总体准确度为91.32%，标准偏差为6.5%(图12a） ●●●●。平均精度为85.33%(图12b） 标准偏差为14.17%。此外，平均召回率为81.82%(图12c） 标准偏差为12.31%。对于雪，平均总体准确度为92.80%，标准偏差为5.3%(图12d） ●●●●。平均精度为82.18%(图12e） 标准偏差为15.28%。此外，平均召回率为82.81%(图12f） 标准偏差为14.78%。值得注意的是，云的整体精度和精确度略低于雪。原因主要是所有云像素的三个像素（在所有八个连接方向上）被放大。云的精度较低是合理的，因为未检测到的云对未来图像应用的影响比缓冲云边缘造成的少量数据丢失更大。由于云的光谱变化大于雪的像素，特别是对于那些薄云，云将更容易被检测为晴朗的地面。因此，云的召回率略低于雪的召回率。
远程设置08 00031 g011 1024
图11。可视云层与。2011年检测到所有参考口罩的云层覆盖。
图11。可视云层与。2011年检测到所有参考口罩的云层覆盖。
远程设置08 00031 g011
远程设置08 00031 g012 1024
图12。云整体准确度、准确度和召回率直方图：(一–c（c）)云的准确度、精确度和召回率；和(d日–（f）)因为下雪。
图12。云整体准确度、准确度和召回率直方图：(一–c（c）)云的准确度、精确度和召回率；和(d日–（f）)因为下雪。
远程调校08 00031 g012

5.讨论

5.1. 时间上下文信息对云雪判别的有效性

卫星图像的时间特征为云和雪的识别提供了重要的纹理信息。由于增加了时间信息，该方法仅使用了三个光学波段和一个近红外波段，弥补了HJ-1A/B CCD图像的SWIR波段锁定缺陷。时间信息可以用以下两种方式来分离云和雪：（1）使用多时相图像合成无云参考图像，然后进行光谱差异分析[23,65]; （2）对所有多时相图像进行时间序列分析，检测云层引起的突变[8,9,24]. 本文将上述两种方法应用于生成无云参考图像的月时间序列。这些参考图像成功地用于云和雪的识别。
对于无云参考图像的合成，时间间隔的设置是影响最终检测精度的重要因素[13]. 如果时间间隔太短，时间窗口中可用的图像将非常有限，合成可能仍有许多残余云。当参考图像中仍有云时，会产生两种云低估情况。一是HJTSS中的雪出现在云的相同位置。在这种情况下，HJTSS和参考图像之间的差异将是雪和云之间的差异（接近0），因此将引入遗漏误差。另一个低估条件是HJTSS中的云出现在相同的云区域。这种情况也会导致遗漏错误，因为合成物仍然有残余云。相反，如果时间间隔过长，例如季节性合成，尽管增加观测频率可以进一步消除云层对合成的影响，但地理特征的定期物候变化可能是另一个重要的不确定性来源。本文在将时间间隔设置为月度合成时考虑了以下两个方面。首先，由于HJ-1A/B的重访期为两天，一个月内将有足够的图像合成一幅几乎清晰的参考图像[46]. 根据光谱变化分析和时间滤波，可以获得每个月的完全无云参考图像。其次，考虑到大多数植被和地表的光谱变化在一个月内略有变化，月度合成具有代表性，适合于云检测。尽管如此，由于测试图像和参考图像之间的时间差异较短，因此清晰的亚月合成参考图像（如半月）将优于月合成图像。

5.2. 空间上下文信息对云和雪判别的有用性

纹理是指图像中地面物体的重复局部图案及其规则排列。纹理特征比单个像素更能反映地物的宏观特性和细节结构。正确理解云和雪的纹理差异可以为它们的区分提供重要依据。据我们所知，云的纹理是一种随机纹理。尽管云的纹理元素是可变的和不可预测的，但它与地面物体和雪区的纹理特征有很大不同。例如，云的边缘包含灰度跳跃特征，云的部分与整体相似。云簇具有一定的分形相似性[30]. 另一方面，由于地形起伏、植被或人为特征的影响，遥感图像中雪的纹理通常是凹凸不平的。雪的灰度梯度通常大于云的灰度梯度。
云的常用纹理特征是平均梯度、分形维数和GLCM[63]. 本文从灰度梯度（一阶和二阶导数）导出纹理特征，并利用灰度的空间相关特性（即GLCM）进行云和雪的识别。这些纹理特征已被有效地用于云或雪检测。然而，其他一些纹理特征，如GLCM[63]，像素形状索引[66]，形态轮廓[67]、和基于小波的纹理[68]还可以明显提高雪或云覆盖提取的准确性。然而，增加纹理特征的数量不会导致更高的精度，但会导致较大的计算成本[29,32]. 因此，在未来可以更加努力地寻找具有代表性且计算量较小的特征，以提高效率和准确性。
使用RCM将所有光谱和纹理特征合成为HJTSS和参考图像之间的距离指数，以表示它们在区域尺度上的相似性。RCM增强了区域尺度上的云雪区域差异，有助于区分以下两种情况下的雪与云。第一种情况是HJTSS中的积雪面积比参考图像中的面积大。在这种情况下，由于参考图像是在每个月从HJTSS合成的，因此参考图像中的雪面积比HJTSS小会导致对云的高估，从而低估雪像素。另一种情况是HJTSS中的雪光谱特征变化高于云光谱阈值(T型1（见方程式（6））。在这种情况下，由于雪的融化效应或观测条件的差异，HJTSS中雪与参考图像之间的反射率差异也可能导致云的估计过高。幸运的是，由于RCM是从一系列区域纹理信息中计算出来的，因此它具有很强的过滤掉破坏单个样本的噪声的能力。因此，区域协调机制可以在区域范围内消除上述两种情况。

5.3. 所提出方法的误差来源

总的来说，云和雪的检测结果表明，该方法能够在一年内仅用四个波段对HJ-1A/B图像中的云和雪进行良好的识别。然而，还应指出可能影响算法精度的几个误差源。第一个误差源来自云边界的处理方式。为了去除可能被部分污染的像素周围的云，该方法在所有八个连接方向上将所有云像素扩大三个像素，这可能会高估云面积。因此，云的整体精度和精确度略低于雪（如图12). 另一个错误源可能是未检测到的卷云。据我们所知，卷云的检测非常具有挑战性，因为卷云覆盖的区域不仅包含来自云的特征和纹理信息，还包含来自地面特征的信息[13,69]. 例如，科瓦斯基和罗伊[12]最近发现，美国陆地卫星历史档案中约有7%被卷云污染的像素未被发现。由于缺乏卷云敏感带（例如陆地卫星8号卷云带），这些薄卷云也可能被忽略。最后，当突然下雪时（如所示图11)，一些雪像素可能被错误地标记为云。具有相同时间分辨率的辅助云和雪掩模（如MODIS）可能有助于区分云和突然降雪。

5.4. 所开发方法在未来的适用性

在近实时处理海量图像时，该方法具有高度的自动化和高效性。它可以很容易地在并行处理器上实现。由于HJ-1A/B已在轨7年多，且这些卫星仍运行良好，因此所提出的方法可用于所有历史档案图像的云雪识别，并在可预见的未来增加更多区域。此外，还应注意的是，虽然所提出的方法是为HJ-1A/B图像设计的，但它可以适用于类似卫星仪器（如Sentinel-2A/B）获取的图像[70]，具有相似的光谱带和时间分辨率。本文的方法是通用的，今后的工作将在不同环境的其他地区进行测试。

6.结论

卫星图像云的精确检测是各种遥感应用的基本预处理步骤。本文结合以往许多方法的思想，将光谱特征与时空上下文信息相结合，提出了一种新的实用的云雪识别方法。该方法包括三个密切相关的主要阶段：初始光谱测试、时间上下文测试和光谱上下文测试。
视觉评估表明，本文提出的方法能够准确地分离云和雪像素。通过将检测结果与随机验证方案生成的参考云掩模进行比较，进行像素级精度评估。检测结果与参考云掩模有很好的一致性，云的平均总准确度、准确度和召回率分别为91.32%、85.33%和81.82%。时间上下文测试可以从初始光谱测试中排除约79.98%的误分类云像素，而空间上下文测试可以进一步排除20.02%的剩余误分类云象素。一般来说，该方法对缺少HJ-1A/B CCD图像的SWIR云雪识别具有较高的精度，是对传统光谱算法的改进。它可以为正在进行的HJ-1A/B图像和具有相同时间和光谱设置的类似卫星提供准确的云掩模。通过比较不同纹理特征的有效性，可以提高计算效率和结果的准确性。

致谢

本研究由国家自然科学基金项目（41271433，41571373）、中国科学院国际合作重点项目（GJHZ201320）、中科院创新团队国际合作伙伴计划（KZZD-EW-TZ-06）、“百人计划”共同资助中国科学院项目、山地灾害与环境研究所百人计划。我们感谢所有承包商、图像提供商和匿名审稿人的宝贵意见和建议。

作者贡献

所有作者都做出了重大而独特的贡献。Jinhu Bian开发了算法并起草了本文的初步版本。李爱农设计了本研究的框架，并完成了本文的最终版本。刘谦南处理了主要数据源并协助验证工作，黄成全协助手稿修订。

利益冲突

作者声明没有利益冲突。

工具书类

  1. 朱，Z。；Woodcock，C.E.陆地卫星图像中基于物体的云和云阴影检测。遥感环境。 2012,118, 83–94. [谷歌学者] [交叉参考]
  2. 李，A。；姜杰。；卞，J。；Deng，W.将物元模型与概率变换关联函数相结合，用于山区多源遥感数据分类。ISPRS J.摄影。 2012,67, 80–92. [谷歌学者] [交叉参考]
  3. 黄，C.Q。；科沃德，S.N。；Masek，J.G。；N.托马斯。；Zhu，Z.L.公司。；Vogelmann，J.E.使用密集Landsat时间序列堆栈重建近期森林干扰历史的自动化方法。遥感环境。 2010,114, 183–198. [谷歌学者] [交叉参考]
  4. 怀特，J.C。；Wulder，文学硕士。；霍巴特，G.W。；路德，J.E。；Hermosilla，T。；格里菲斯，P。；北卡罗来纳州库普斯。；霍尔，R.J。；霍斯特，P。；戴克，A。；等。基于像素的图像合成，用于大面积密集时间序列应用和科学。可以。J.遥感。 2014,40, 192–212. [谷歌学者] [交叉参考]
  5. 罗伊，D.P。；Ju，J.C。；Kline，K。；斯卡拉穆扎，P.L。；科瓦斯基，V。；Hansen，M。；T.R.洛夫兰。；佛蒙特，E。；Zhang，C.S.Web-Enabled Landsat Data（WELD）：陆地卫星ETM加上相邻美国的合成马赛克。遥感环境。 2010,114, 35–49. [谷歌学者] [交叉参考]
  6. 巴雷特，F。；O.哈格尔。；盖革，B。；Bicheron，P。；米拉斯，B。；Huc，M。；伯瑟洛，B。；尼诺，F。；韦斯，M。；Samain，O.Lai，fapar和fcover cyclopes全球植被产品：第1部分：算法原理。遥感环境。 2007,110, 275–286. [谷歌学者] [交叉参考] [绿色版本]
  7. 李，A。；黄，C。；Sun，G。；Shi，H。；托尼，C。；朱，Z.L。；罗林斯，M。；Goward，S。；Masek，J.使用Landsat和ICEsat数据对密西西比州最近的扰动中再生的幼林高度进行建模。遥感环境。 2011,115, 1837–1849. [谷歌学者] [交叉参考]
  8. 利亚普斯丁。；Wang，Y。；Frey，R.基于MODIS测量时间序列的自动云遮罩算法。《地球物理学杂志》。Res.-大气。 2008. [谷歌学者] [交叉参考]
  9. 朱，Z。；Woodcock，C.E.多时相陆地卫星数据中的自动云、云影和雪检测：一种专门用于监测土地覆盖变化的算法。遥感环境。 2014,152, 217–234. [谷歌学者] [交叉参考]
  10. 朱，Z。；王，S。；Woodcock，C.E.fmask算法的改进和扩展：Landsats 4–7、8和Sentinel 2图像的云、云阴影和雪检测。遥感环境。 2015,159, 269–277. [谷歌学者] [交叉参考]
  11. Platnick，S。；金，医学博士。；Ackerman公司。；W.P.门泽尔。；Baum，文学学士。；Riedi，J.C。；Frey，R.A.MODIS云产品：来自terra的算法和示例。IEEE传输。地质科学。远程传感器。 2003,41, 459–473. [谷歌学者] [交叉参考]
  12. 科瓦斯基，V。；Roy，D.美国陆地卫星8号对卷云和非卷云的一年连续研究。远程传感器。 2015,7, 564–578. [谷歌学者] [交叉参考]
  13. Shen，H.F。；H.F.李。；钱，Y。；张，L.P。；Yuan，Q.Q.可见光遥感图像的有效薄云去除程序。ISPRS J.摄影。 2014,96, 224–235. [谷歌学者] [交叉参考]
  14. 阿马托，美国。；Antomadis，A。；科莫，V。；Cutillo，L。；Franzese，M。；Murino，L。；Serio，C.SEVIRI多光谱图像的统计云检测。遥感环境。 2008,112, 750–766. [谷歌学者] [交叉参考]
  15. Hansen，M.C。；罗伊，D.P。；Lindquist，E。；阿杜塞，B。；法官，狱警。；Altstatt，A.一种集成MODIS和Landsat数据的方法，用于系统监测刚果盆地的森林覆盖和变化。遥感环境。 2008,112, 2495–2513. [谷歌学者] [交叉参考]
  16. 黄，C.Q。；托马斯，N。；Goward，S.N.公司。；Masek，J.G。；朱，Z.L。；汤森，J.R.G。；Vogelmann，J.E.使用陆地卫星图像进行森林变化分析时云和云阴影的自动掩蔽。《国际遥感杂志》。 2010,31, 5449–5464. [谷歌学者] [交叉参考]
  17. 朱，Z。；伍德考克，C.E。；Olofson，P.使用所有可用的陆地卫星图像持续监测森林干扰。遥感环境。 2012,122, 75–91. [谷歌学者] [交叉参考]
  18. Dozier，J.《陆地卫星专题制图器》中高山积雪的光谱特征。遥感环境。 1989,28, 9–12. [谷歌学者] [交叉参考]
  19. 霍尔，D.K。；Riggs，G.A。；Salomonson，V.V.使用中等分辨率成像光谱仪数据绘制全球积雪覆盖图的方法开发。遥感环境。 1995,54, 127–140. [谷歌学者] [交叉参考]
  20. Choi，H。；Bindschadler，R.使用阴影匹配技术和自动归一化差值雪指数阈值决策在陆地卫星冰盖图像中进行云检测。遥感环境。 2004,91, 237–242. [谷歌学者] [交叉参考]
  21. 佛蒙特，E。；Saleous，N.Ledaps表面反射率产品描述。2007年。在线可用：https://dwrgis.water.ca.gov/documents/269784/4654504/LEDAPS+表面+反射率+产品+说明.pdf（2015年9月27日访问）。[谷歌学者]
  22. 马塞克，J.G。；佛蒙特，E.F。；Saleous，东北部。；沃尔夫，R。；霍尔，F.G。；K.F.Huemmrich。；高，F。；库特勒，J。；Lim，T.K.北美陆地表面反射率数据集，1990-2000年。IEEE地质科学。遥感快报。 2006,三, 68–72. [谷歌学者] [交叉参考]
  23. O.哈格尔。；Huc，M。；帕斯科尔，D.V。；Dedieu，G.一种多时相云检测方法，应用于Formosat-2、Venmus、Landsat和Sentinel-2图像。遥感环境。 2010,114, 1747–1755. [谷歌学者] [交叉参考] [绿色版本]
  24. 新泽西州古德温。；L.J.科莱特。；R.J.Denham。；洪水，N。；Tindall，D.澳大利亚昆士兰的云和云阴影屏蔽：陆地卫星TM/ETM Plus时间序列的自动化方法。遥感环境。 2013,134, 50–65. [谷歌学者] [交叉参考]
  25. 曾，哥伦比亚特区。；曾，H.T。；Chien，C.L.从多时段SPOT图像中自动去除云。申请。数学。计算。 2008,205, 584–600. [谷歌学者] [交叉参考]
  26. Tso，B。；Olsen，R.C.基于MRF模型的上下文分类方案，具有改进的参数估计和多尺度模糊线处理。遥感环境。 2005,97, 127–136. [谷歌学者] [交叉参考] [绿色版本]
  27. 刘，D.S。；凯利，M。；Gong，P.使用多时相高空间分辨率图像监测森林疾病传播的时空方法。遥感环境。 2006,101, 167–180. [谷歌学者] [交叉参考]
  28. 李，C.-H。；郭，B.-C。；林，C.-T。；Huang，C.-S.遥感图像分类的空间上下文支持向量机。IEEE传输。地质科学。远程传感器。 2012,50, 784–799. [谷歌学者] [交叉参考]
  29. Hughes，G.P.关于统计模式识别器的平均准确度。IEEE传输。通知。理论 1968,14, 55–63. [谷歌学者] [交叉参考]
  30. 李，P。；董，L。；Xiao，H。；Xu，M.一种基于SVM向量机的云图像检测方法。神经计算 2015,169, 34–42. [谷歌学者] [交叉参考]
  31. 瓦斯克，R.E。；Manian，V.B.MODIS图像中基于纹理的云检测。程序。间谍活动 2003. [谷歌学者] [交叉参考]
  32. 朱，L。；肖，P。；X·冯。；张，X。；王，Z。；Jiang，L.支持向量机决策树在高空间分辨率遥感图像山区雪盖提取中的应用。J.应用。远程传感器。 2014,8, 084698. [谷歌学者] [交叉参考]
  33. 拉科维蒂阿努，A。；Williams，M.W.，决策树和纹理分析，用于绘制喜马拉雅东部康城容加地区的碎屑覆盖冰川。远程传感器。 2012,4, 3078–3109. [谷歌学者] [交叉参考]
  34. 汤森，J.R.G。；Justice，C.O.选择全球监测土地变化所需的卫星传感器的空间分辨率。《国际遥感杂志》。 1988,9, 187–236. [谷歌学者] [交叉参考]
  35. 罗，J。；陈，Y。；Wu，Y。；Shi，P。；她，J。；周，P.贡嘎山冰川前缘不同初级演替阶段土壤呼吸的时空变化及其控制。公共科学图书馆 2012,7，e42354。[谷歌学者] [交叉参考] [公共医学]
  36. 李，Z。；何毅。；庞，H。；杨，X。；贾伟。；张，N。；王，X。；宁，B。；袁，L。；宋，B.海螺沟1号冰川、贡嘎山和白水1号冰川以及玉龙山积雪主要阴离子和阳离子的来源。J.地质。科学。 2008,18, 115–125. [谷歌学者] [交叉参考]
  37. 王，Q。；吴，C。；李强。；Li，J.中国HJ-1A/B卫星和数据特征。科学。中国地球科学。 2010,53, 51–57. [谷歌学者] [交叉参考]
  38. 陈，J。；崔，T.W。；邱，Z.F。；Lin，C.S.，一个三波段半分析模型，用于从浑浊沿海水域的HJ-1A/CCD数据中推导总悬浮泥沙浓度。ISPRS J.摄影。 2014,93, 1–13. [谷歌学者] [交叉参考]
  39. Lu，S.L。；Wu，B.F。；Yan，N.N。；Wang，H.利用HJ-1A/B卫星图像绘制水体图的方法。国际期刊申请。地球天体。 2011,13, 428–434. [谷歌学者] [交叉参考]
  40. 中国资源卫星数据与应用中心。可在线飞行：H（H）ttp://www.Cresda.Com/site2/satellite/7117.Shtml网站（2015年9月27日访问）。
  41. 卞，J。；李，A。；Jin，H。；雷，G。；黄，C。；Li，M.时间序列HJ-1A/B CCD图像的自动配准和正精算法。《科学杂志》-英语。 2013,10, 754–767. [谷歌学者] [交叉参考]
  42. 古特曼，G。；黄，C.Q。；钱德，G。；Noojipady，P。；Masek，J.G.《NASA-USGS全球土地调查（GLS）数据集评估》。遥感环境。 2013,134, 249–265. [谷歌学者] [交叉参考]
  43. Wolfe，R.E.公司。；西哈马，M。；弗莱格，A.J。；Kuyper，J.A。；罗伊，D.P。；斯托里，J.C。；Patt，F.S.实现亚像素地理定位精度，以支持MODIS土地科学。遥感环境。 2002,83, 31–49. [谷歌学者] [交叉参考]
  44. Li，J.等人。；陈，X。；田，L。；Feng，L.在没有机载校准系统的情况下跟踪光学传感器的辐射响应度——以中国HJ-1A/B CCD传感器为例。选择。快递 2015,23, 1829–1847. [谷歌学者] [交叉参考] [公共医学]
  45. 赵，Z。；李，A。；卞，J。；Huang，C.一种改进的DDV方法，用于检索典型山区HJ CCD图像的AOT。光谱学。规格。分析。 2015,35, 1479–1487. （中文）[谷歌学者]
  46. 卞，J。；李，A。；王，Q。；Huang，C.中国HJ-1A/B星座密集时间序列30米图像产品的开发：中国若尔盖高原的案例研究。远程传感器。 2015,7, 16647–16671. [谷歌学者] [交叉参考]
  47. Gomez-Chova，L。；Camps-Valls，G。；卡尔佩·马拉维利亚，J。；关特，L。；Moreno，J.ENVISAT/MERIS多光谱图像的云屏蔽算法。IEEE传输。地质科学。远程传感器。 2007,45, 4105–4118. [谷歌学者] [交叉参考]
  48. Zhang，Y。；Guindon，B。；Cihlar，J.描述和补偿陆地卫星图像薄云污染空间变化的图像变换。遥感环境。 2002,82, 173–187. [谷歌学者] [交叉参考]
  49. Goward，S.N.公司。；特纳，S。；染料，D.G。；Liang，S.马利兰大学改进了全球植被指数产品。《国际遥感杂志》。 1994,15, 3365–3395. [谷歌学者] [交叉参考]
  50. Holben，B.N.。时间AVHRR数据中最大值合成图像的特征。《国际遥感杂志》。 1986,7, 1417–1434. [谷歌学者] [交叉参考]
  51. Roy，D.P.错误配准对合成宽视场卫星数据的影响以及对变化检测的影响。IEEE传输。地质科学。远程 2000,38, 2017–2032. [谷歌学者] [交叉参考]
  52. Liang，S。；钟，B。；Fang，H.改进了陆地表面MODIS图像中气溶胶光学深度的估计。遥感环境。 2006,104, 416–425. [谷歌学者] [交叉参考]
  53. 罗，Y。；Trishchenko，A.P。；Khlopenkov，K.V.开发清晰天空、云和云阴影遮罩，用于为加拿大和北美的七个MODIS陆地波段生产250米空间分辨率的清晰天空复合物。遥感环境。 2008,112, 4167–4185. [谷歌学者] [交叉参考]
  54. Flood，N.使用Medoid（多维中值）的季节性合成Landsat TM/ETM+图像。远程传感器。 2013,5, 6481–6500. [谷歌学者] [交叉参考]
  55. 卞J.H。；李，A.N。；宋，M.Q。；马，L.Q。；江J.G.基于Savitzky-Glay滤波器重建modis的ndvi时间序列数据集。J.遥感。 2010,14, 725–741. [谷歌学者]
  56. 陈，J。；Jonsson，P。；田村，M。；顾振华。；B.松下。；Eklundh，L.一种基于Savitzky-Glay滤波器重建高质量NDVI时间序列数据集的简单方法。遥感环境。 2004,91, 332–344. [谷歌学者] [交叉参考]
  57. 萨维茨基，A。；Golay，M.J.E.通过简化的最小二乘法对数据进行平滑和微分。分析。化学。 1964,36, 1627–1639. [谷歌学者] [交叉参考]
  58. 周，H.Y。；袁，Y。；Zhang，Y。；Shi，C.M.复杂场景中的非刚性对象跟踪。模式识别。莱特。 2009,30, 98–102. [谷歌学者] [交叉参考]
  59. 张，X.G。；刘，H.H。；Li，X.L.通过目标匹配和背景反匹配实现移动机器人平台的目标跟踪。机器人。自动。系统。 2010,58, 1197–1206. [谷歌学者] [交叉参考]
  60. 图泽尔，O。；波里克利，F。；Meer，P.区域协方差：检测和分类的快速描述符。莱克特。注释计算。科学。 2006,3952, 589–600. [谷歌学者]
  61. Wang，Y.H。；Liu，H.W.高分辨率SAR图像的分级船舶检测方案。IEEE传输。地质科学。远程传感器。 2012,50, 4173–4184. [谷歌学者] [交叉参考]
  62. Förstner，W。；Moonen，B.协方差矩阵的度量。在大地测量学——第三个千年的挑战; Grafarend，W.E.，Krumm，F.W.，Schwarze，V.S.，Eds。；施普林格出版社：德国柏林；德国海德堡，2003年；第299-309页。[谷歌学者]
  63. R.M.哈拉利克。；Shanmuga，K。；Dinstein，I.图像分类的纹理特征。IEEE传输。系统。人类网络。 1973,SMC-3公司, 610–621. [谷歌学者] [交叉参考]
  64. Powers，D.M.评估：从精确性、召回率和f-measure到ROC、信息性、标记性和相关性。J.马赫。学习。Technol公司。 2011,2, 37–63. [谷歌学者]
  65. 德里安，M。；le Gléau，H.通过实时SEVIRI的时间差分和区域生长技术改进日出和日落附近的云检测。《国际遥感杂志》。 2010,31, 1765–1780. [谷歌学者] [交叉参考]
  66. 张，L.P。；黄，X。；Huang，B。；Li，P.X.高空间分辨率遥感图像分类中结合光谱信息的像素形状指数。IEEE传输。地质科学。远程传感器。 2006,44, 2950–2961. [谷歌学者] [交叉参考]
  67. 福维尔，M。；Benediktsson，J.A。；查努索特，J。；Sveinsson，J.R.使用SVMS和形态剖面对高光谱数据进行光谱和空间分类。IEEE传输。地质科学。远程传感器。 2008,46, 3804–3814. [谷歌学者] [交叉参考]
  68. 黄，X。；张，L。；Li，P.一种基于小波变换的超高分辨率卫星图像多尺度特征融合分类方法。《国际遥感杂志》。 2008,29, 5923–5941. [谷歌学者] [交叉参考]
  69. H.F.李。；张，L.P。；沈，H.F。；Li，P.X.可见光和SWIR图像的基于变分梯度的融合方法。照片。工程远程传感器。 2012,78, 947–958. [谷歌学者] [交叉参考]
  70. Drusch，M。；del Bello，美国。；Carlier，S。；科林，O。；费尔南德斯，V。；Gascon，F。；霍尔什，B。；Isola，C。；拉贝里尼蒂，P。；Martimort，P。；等。哨兵2号：欧空局的GMES操作服务光学高分辨率任务。遥感环境。 2012,120, 25–36. [谷歌学者] [交叉参考]

分享和引用

MDPI和ACS样式

边，J。；李，A。；刘，Q。；黄，C。基于光谱特征和时空背景的HJ-1A/B星座CCD图像云雪识别。远程传感器。 2016,8, 31.https://doi.org/10.3390/rs8010031

AMA风格

卞杰，李安，刘强，黄C。基于光谱特征和时空背景的HJ-1A/B星座CCD图像云雪识别。遥感. 2016; 8(1):31.https://doi.org/10.3390/rs8010031

芝加哥/图拉宾风格

卞、金湖、李爱农、刘千南和黄成全。2016年，“基于光谱特征和时空背景的HJ-1A/B星座CCD图像云雪识别”遥感8，编号1:31。https://doi.org/10.3390/rs8010031

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章指标

返回页首顶部