遙感圖像云檢測方法研究進展

劉紫涵， 吳艷蘭

( 安徽大學資源與環境工程學院，合肥 230601)

遙感圖像云檢測方法研究進展

劉紫涵， 吳艷蘭

( 安徽大學資源與環境工程學院，合肥 230601)

云層遮擋是影響遙感圖像質量的主要因素，對受云層遮擋的遙感圖像進行云檢測是遙感數據修復過程中需解決的首要問題。在參考國內外大量文獻的基礎上，分析了云檢測方法的研究現狀，對現有的檢測方法進行分類和綜述，并重點介紹幾種常用衛星數據的云檢測方法，通過對不同云檢測方法的比較，總結了現有云檢測方法存在的問題以及發展趨勢。

遙感； 圖像； 云檢測； 傳感器； 綜述

0 引言

遙感影像已廣泛應用于地球資源調查、自然災害預測和環境污染監測等方面，但由于傳感器受大氣密度和云層變化等影響較大，許多影像存在云層遮擋問題[1]。根據國際衛星云氣候計劃流量數據(international satellite cloud climatology project-flux data, ISCCP-FD)提供的全球云量數據顯示，地球表面66%以上區域經常被云覆蓋[2]。云層使得我們獲得的地物信息衰減，甚至損失[3]，而對氣象學者而言，通過研究云的分布可以發現極端氣候現象及其變化規律[4]。為此，眾多學者針對云的特性進行了云檢測方法的研究[5]。云檢測被看作影像進行后續識別、分類和解譯的關鍵[6]，是遙感影像資料修復工作的基礎之一，更是生產時空無縫遙感產品的前提保證。盡管大量針對遙感云檢測的方法被提出來，但對這些方法的總結綜述性論文還較少[5]，尤其是對不同傳感器間遙感云檢測方法的比較和綜合評價更為稀少。因此，本文參考了大量國內外的相關文獻，對遙感影像云檢測方法現狀進行分類和討論，并歸納了幾種常用遙感圖像的云檢測方法。

1 遙感圖像云檢測技術現狀

國內外學者針對云檢測做了不少研究，也取得了較大的成功，并早在1983年就將云檢測技術作為世界氣候研究計劃的重要組成部分[7]。目前云檢測方法多為閾值法，如Kegelmeyer[8]使用簡單像元作為閾值進行云檢測，該方法簡單易行，但準確率偏低。后續的多組閾值法[9]、自動云覆蓋估算(automated cloud cover assessment, ACCA)[10]、雙通道動態閾值檢測法[11]和通道綜合運算檢測法[12]等方法相繼被提出并用于云檢測研究。這些基于光譜特征的閾值法在一定程度上提高了云檢測的精度，但往往會帶來云檢測的遺漏或者錯判，而且多組綜合閾值的設定會使檢測速度變慢[5]。為此，一些基于紋理特征[13]和統計特征[14]等方法也被運用到云檢測中，并在中巴資源02B衛星中得到了實際應用。此外，人工神經網絡等因其在時間和地區上具有良好的普適性也常用于云檢測研究，該類方法通過訓練數據集可以在一定程度上解決閾值法的時空局限性難題[15]。

無論哪種方法都不可能適用于所有傳感器和所有下墊面情況[16]，即使同一種方法同一種傳感器在白天和晚上也可能產生不一樣的效果[17]。各種方法在實際應用中往往不是單獨使用，而是多光譜、多特征和多方法的綜合應用，如通過增加其他信息(如地表溫度和多時相信息等)或結合其他技術(如超像素分割[18]和紋理分析[19]等)，從而提高閾值法的檢測精度。但這些方法大多針對特定遙感數據的特定波段，且閾值選擇通常難以把握。各種方法雖然在各自應用上都取得了一定成功，但大多十分依賴于先驗知識。

2 遙感圖像云檢測方法分類

2.1 云檢測基本方法

迄今為止，前人已發展了多種云檢測基本方法，主要分為閾值法、紋理分析法和統計學方法3大類。閾值法的關鍵在于閾值的選取，隨著云檢測精度要求的提高，云檢測使用的閾值也由早期的固定閾值逐步發展為動態閾值、自適應閾值和多波段組合閾值[13-14, 20]等。紋理分析法本質是利用了目標物內部屬性的相似性和目標物之間邊界的不連續[17]，如曹瓊等[13]和Christodoulou等[21]分別基于2個和多個紋理特征量進行云檢測的研究。用于云檢測的統計學方法主要分為統計方程法和聚類分析法。統計方程法利用樣本數據建立模擬公式計算云的反射率或亮溫來進行云檢測[22]； 聚類分析法是根據不同地物類型的像元觀測值存在著明顯差別的原理實現云檢測，最常使用的有C均值聚類、ISODATA聚類以及目前比較熱門的模糊聚類等[23]。

2.2 云檢測綜合智能方法

常用的綜合智能法主要包括人工神經網絡、支持向量機(support vector machine, SVM)和模糊邏輯算法等。人工神經網絡主要使用自組織特征映射(self-organizing feature map, SOM)、概率神經網絡(probabilistic neural network, PNN)和最大似然分類(maximum likelihood classification, MLC)3種神經網絡進行云和地面的區分[7,15]； 后續學者在此基礎上又發展了多層感知神經網絡等云檢測方法[24]。20 世紀 90年代發展起來的SVM算法也已經被應用到云檢測上，并且比起基于常規的分類檢測方法具有明顯的優勢[25]。此外，模糊邏輯算法作為一種具有決策能力的監督學習方法，以模糊集合論作為基礎，根據隸屬度的大小，通過調整輸入數據特性達到對云最優化的分類[26]。

3 幾種常用衛星數據的云檢測方法

3.1 Aqua衛星數據云檢測

載在地球觀測系統(earth observation system,EOS)Aqua衛星上的中分辨率成像光譜儀(moderate resolution imaging spectroradiometer, MODIS)和大氣紅外探測器(atmospheric infrared sounder, AIRS)為我們提供了豐富的多光譜紅外觀測資料[27]。然而，該儀器獲得的衛星數據受云影響非常明顯，如何在數據使用前進行云檢測一直是學者關注的焦點之一。國際上比較流行的是MODIS Cloud Mask云檢測方法，該方法利用MOD35的19個通道數據和地形等輔助數據，根據不同的路徑采用不同的云檢測方法[17]。但此方法使用了較多的波段數量和相關輔助數據，導致檢測結果容易受到地表類型等因素的影響。針對不同的下墊面，赫英明等[28]利用SVM的MODIS數據分類方法對陸地和海洋進行了云檢測實驗，盡管達到了檢測目的，但該方法表現出一定的地域局限性和對先驗知識較顯著的依賴性。為了改善先驗知識限制的問題，也有學者提出基于模糊集合理論的模糊C均值聚類法，但該算法仍需進一步改進對輻射特征相似的冰雪和云的區分方法[29]。此外，基于多時相信息的方法也被運用在FORMOSAT-2，VENμS，Landsat和 Sentinel-2等影像的云檢測研究中[30-31]。與相對成熟的MODIS 云檢測方法及MODIS 單視場的云檢測產品相比，至今還沒有更好的AIRS 云檢測方法。目前 AIRS上的云檢測還依賴于低光譜分辨率探測器上提供的有限的云特性[32]。隨著MODIS已能提供較成熟的云檢測產品，一些學者提出將AIRS與MODIS的像素點進行空間匹配后，AIRS視野的云檢測效果與MODIS云檢測產品結果能很好地對應，而且該方法與MODIS云檢測產品精度緊密相關，若MODIS云檢測有5%的誤差，AIRS云檢測誤差就會達到5.62%[32-33]。因此進一步提高其精確度，還需后續更深入的研究。

3.2 Landsat衛星數據云檢測

Landsat陸地衛星系列提供了大量地球資源觀測數據，加之其開放的獲取政策使得該數據成為目前應用最廣的地球資源數據之一[34]，因此對其云檢測算法的研究就顯得相當重要。針對Landsat衛星數據云檢測中遇到的難題，國內外學者進行了許多相關研究。Vermote等[35]利用LEDAPS大氣校正工具生成一個內部云掩模實現云檢測，并作為NASA官方軟件工具免費下載和推廣； Irish[10]提出了適用于地球大部分地區的自動云覆蓋估算方法，但該方法在南極洲會把高亮度的雪誤判成云。后續的大多方法都是基于以上2種經典方法展開的，其中值得一提的是： Zhu等[34]提出了一種面向對象的Fmask(function of mask)云檢測方法，該方法利用云匹配技術和云層高度迭代算法進行云檢測研究。經驗證明，Fmask方法檢測云層的總體精度(96.41%)高于ACCA方法(84.8%)，同時檢測標準差(3.2%)也低于ACCA方法(11.9%)，但Fmask方法對薄云的檢測率有待進一步的提高。Zhu等[3]和蔣嫚嫚等[36]在Fmask方法基礎上分別提出的基于時間序列的Tmask(multitemporal mask)和基于主成分變換的PCA_Fmask云檢測方法，都相應提高了遙感影像云檢測精度； Zhu等[37]通過增加Sentinel-2數據也實現了對薄卷云的有效檢測。此外，其他諸如經驗閾值[38]、非監督分類[39]和幾何學模型[27]的方法也被運用到Landsat衛星數據的云檢測中，并取得了一定的效果。

3.3 靜止衛星數據云檢測

常用的靜止衛星有美國的地球靜止軌道環境業務衛星(geostationary operational environmental satellites, GOES)系列、歐洲第二代靜止軌道氣象衛星(meteosat second generation, MSG)、日本地球靜止氣象衛星(geostationary meteorological satellite, GMS)和我國的風云二號氣象衛星(FY-2)等。地球靜止衛星具有能短時間內對所研究區域進行連續觀測的優勢，在周期短、變化快和尺度小的災害性天氣系統的監測預報中起著非常重要的作用[11]，因此基于靜止衛星的云檢測研究尤為重要。自 20 世紀 70 年代開始，國際上就利用GOES系列衛星開展云檢測研究。早期研究大多針對下墊面單一的海洋地區影像，利用閾值法進行云檢測取得了較好效果，進而逐漸轉換到陸地影像[40]。針對陸地影像，一些改進的基于光譜閾值檢測法在白天的效果比較明顯，但對于夜間的云檢測精度往往不高[11,21]，而且精度與季節、下墊面的地物類型及其異質性有關。為此，一些更穩健的方法(時空動態閾值、局部自適應閾值和貝葉斯概率閾值等方法)應運而生[20,41]。后來多閾值與其他方法[42-43]或與其他衛星資料[44]結合的方法也被引入到云檢測研究中，并取得了不錯的效果。但由于閾值的選取帶有明顯的經驗性，并且檢測中需要用到較多的閾值，給業務化應用帶來了諸多不便，因此優化通道組合和減少閾值設置成為新的研究方向。郭洪濤等[45]利用FY-2C和多功能傳送衛星(multi-functional transport satellite, MTSAT)等數據以及其他輔助資料，綜合采用優化的 ISCCP法、多通道閾值法和空間紋理法等提出了一種綜合優化方法，云檢測準確率達到了90% 以上。傳統的云檢測方法更偏重于應用云的輻射特征，由于靜止衛星時間分辨率較高，如何充分利用多時相信息進行云檢測，是一個重要的研究思路。楊昌軍等[46]利用FY-2C時間序列數據資料進行了云檢測的嘗試，但靜止衛星高時間分辨率特征的應用至今仍較少見，因此將靜止衛星時間序列云圖應用于云檢測還需要進一步的研究和推廣。

3.4 新一代觀測衛星數據云檢測

為提出溫室氣體效應對策，解決碳循環研究過程中數據的來源問題，日本和美國相繼發射了溫室氣體觀測衛星(greenhouse gases observing satellite, GOSAT)、軌道碳觀測者(orbiting carbon obervatory, OTC)以及軌道碳觀測者2號(orbiting carbon obervatory-2,OTC-2)。 然而，由于云等大氣因素的影響，無法獲取準確的溫室效應氣體含量，因此進行有效的云檢測至關重要。GOSAT荷載的云和氣溶膠成像儀(cloud and aerosol imager, CAI)可以直接觀測會導致測量誤差的云層和氣溶膠，提高溫室氣體的觀測精度[47]。針對GOSAT數據，Taylor等[48]提出的TANSO-CAI和TANSO-FTS檢測法在海洋地區的云檢測準確度達到了90%，并在OTC-2中得到了相同的實驗結果。

4 云檢測效果驗證與方法比較

4.1 云檢測方法定性比較

由于不同云檢測方法所適用的條件不同，直接比較不同方法的性能優劣有一定難度。本文擬從復雜度、普適性和效率3個方面定性地比較閾值法、統計學和神經網絡3種云檢測方法的優缺點，如表1所示。

表1 不同方法的定性比較Tab.1 Comparison of different methods

統計學方法和閾值方法簡單、易于實現，而神經網絡方法最復雜[49]。方法復雜度往往決定著方法效率，因此在方法效率上，一般是閾值法效率較高，其次是統計學方法，最后是神經網絡方法。當然這種順序并不是絕對的，如在需要利用統計分析來設定多組閾值時，閾值法的檢測速度也會很慢。此外，傳感器的波段設置和下墊面的地物類型都會影響云檢測效果，神經網絡因其可以智能地訓練數據集，在普適性方面優于統計學方法和閾值法。

4.2 云檢測效果驗證

驗證任何一個云檢測方法是一項艱巨的工作，一般檢測方法驗證只能通過雷達或氣象站等地面觀測儀器獲取的數據來進行定量比較。這就要求地面測量應與衛星觀測具有相同觀測時間和云成分，目前這方面的工作已經取得較大的進展[20]。也有一些學者認為上述要求比較嚴格，有時難以滿足，就提出了目視判讀的驗證方法。該方法主要利用相應傳感器的不同波段合成來顯示影像云信息，例如： 針對ASTER數據的云檢測效果，利用其假彩色合成數據(15 m空間分辨率的RGB波段)和MODIS云掩模產品與不同的ASTER數據云檢測方法比較，來驗證該方法的性能[20]。

目前多源資料應用(跨衛星載荷、多光譜、不同空間分辨率和多時相等)和綜合性方法(閾值、統計和人工智能)都是云檢測方法方向，每種方法有針對性地解決部分問題，并據此獲得期望的精度，因此對于同一數據不同云檢測方法的比較相對容易，但不同數據間的比較則相對困難。由于不同云檢測方法適應性不同，本節選擇常見的極軌衛星和靜止衛星的云檢測精度進行簡單的比較。在極軌衛星云檢測方面，Liu等[50]提出的云掩模算法對MODIS數據檢測準確度可以達到92%； Taylor等[47-48]對GOSAT和 OTC-2這2種數據云檢測可以得到90%的準確度； 談建國等[51]針對NOAA多個時相的AVHRR資料，建立的云檢測模型整體精度可以達到90%以上。此外，一些學者對其他極軌衛星數據的云檢測嘗試，準確度也較高，如SPOT數據檢測精度可達85%以上[52]。與極軌衛星相比，靜止衛星云檢測方法較為單一，以多閾值法與其他方法相結合的方法為主[44]。楊昌軍[53]利用中國區域站點資料云檢測得到2007年1月和6月的準確率分別為71.15%和75.77%； 將時間序列應用于FY-2C云檢測，其準確率分別為 72.89%和 79.94%，與目前業務云檢測相比，利用靜止衛星高時間分辨率特征在一定程度上改善了云檢測精度； 將韋伯定律應用于FY-2C云檢測，2007年1月和6月中國區域檢測的準確率分別為72.34%和80.05%； 而將韋伯比和時較差結合時，其準確率分別為 73.67%和 81.02%，對比發現綜合方法對云檢測精度也有進一步的提高。文雄飛等[54]針對 FY-2C數據提出一種基于云指數的云檢測方法總體精度夏季能夠達到 86.78%，冬季能夠達到 75. 15%。師春香等[55]采用多閾值和人工神經網絡相結合的方法對 GMS紅外云圖進行自動檢測試驗正確率為 61%。Bley等[44]在歐洲氣象衛星組織技術的基礎上提出HRV(high resolution visible)閾值法，將MSG數據云檢測準確度由75%提高到85%。

總體來說，極軌衛星數據的云檢測精度一般要高于靜止衛星數據。當然這也不是絕對的，如Xu等[43]利用同一模型，針對GOES數據云檢測精度比MODIS數據高了10%； 郭洪濤等[45]找到了衛星云圖云檢測的一種綜合優化方法，云檢測準確率平均達到90%以上。可以看出綜合方法在云檢測方面具有顯著的優勢，這也是未來云檢測技術的重要研究方向。

5 存在的問題與發展趨勢

作為遙感圖像后續利用的基礎性工作之一，遙感云檢測一直是具有挑戰的研究方向。隨著遙感技術和信號理論的不斷發展，遙感云檢測方法層出不窮[56]，閾值法因算法簡單依然是遙感云檢測的常用方法，并趨向于多種檢測方法相結合， 各類綜合智能方法在云檢測上也展現了非常大的潛力。盡管遙感圖像云檢測技術取得了較大的發展，但仍存在一些有待解決的問題，主要包括以下幾個方面：

1)各種云檢測方法普適性不強，不同方法應用條件和適用范圍都有所不同, 如常用遙感傳感器云檢測方法研究中，以MODIS和 Landsat數據研究最多，也都能達到較高的精度， 但這些方法并不適用于靜止衛星的云檢測。即使是同一方法，針對白天和晚上的圖像，其云檢測效果也有差異。很難找到一種通用方法能適用于所有衛星傳感器圖像。這一難點需要學者們今后開展進一步的研究來克服。

2)云檢測精度會因為高亮地表被誤判為云而降低，但這一技術難題或許可以通過衛星傳感器與地面觀測資料的空間匹配來解決，即在實際應用中綜合使用衛星資料、中國地面氣候資料、ISCCP云量數據集、探空資料和地形資料進行云檢測。

3)各類方法在厚云區域的檢測效果都比較好，但對于薄云或透明云而言，各類檢測方法往往存在漏檢、誤檢等情況。

得益于計算機技術在遙感領域應用的不斷發展，統計方法、人工神經網絡、支持向量機和模糊邏輯算法等原來較難實現的方法也得到了開發和廣泛使用。這些方法在一定程度上彌補了傳統云檢測方法檢測精度低的缺陷，但往往因為方法復雜度較高而難以實現，檢測效率有待繼續提高，在實際應用中受到了一定的限制。如何進一步提高現有云檢測方法的普適性，降低誤檢率和漏檢率，并設計相應的優化算法實現批量、實時、高效的云檢測，獲取時空無縫遙感定量產品，提高云檢測業務化生產能力是今后的研究趨勢和主攻方向。

[1] 李志軍,王衛華,牛照東,等.城區紅外遙感云層檢測技術[J].中國激光,2012,39(11):1108006.

Li Z J,Wang W H,Niu Z D,et al.Cloud recognition from infrared remote sensing images under city background[J].Chinese Journal of Lasers,2012,39(11):1108006.

[2] 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(D19):D19105.

[3] Zhu Z,Woodcock C E.Automated cloud, cloud shadow, and snow detection in multitemporal Landsat data:An algorithm designed specifically for monitoring land cover change[J].Remote Sensing of Environment,2014,152:217-234.

[4] 陸雅君,陳剛毅,龔克堅,等.測云方法研究進展[J].氣象科技,2012,40(5):689-697.

Lu Y J,Chen G Y,Gong K J,et al.Overview of researches on cloud sounding methods[J].Meteorological Science and Technology,2012,40(5):689-697.

[5] 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,2014,11(3):68-76,86.

Hou S W,Sun W F,Zheng X S.Overview of cloud detection methods in remote sensing images[J].Space Electronic Technology,2014,11(3):68-76,86.

[6] 李 微,方圣輝,佃袁勇,等.基于光譜分析的MODIS云檢測算法研究[J].武漢大學學報(信息科學版),2005,30(11):435-438,443.

Li W,Fang S H,Dian Y Y,et al.Cloud detection in MODIS data based on spectrum analysis[J].Geomatics and Information Science of Wuhan University,2005,30(11):435-438,443.

[7] Kotarba A Z.Evaluation of ISCCP cloud amount with MODIS observations[J].Atmospheric Research,2015,153:310-317.

[8] Kegelmeyer W P Jr.Extraction of Cloud Statistics from Whole Sky Imaging Cameras[R].Livermore,CA,United States:Sandia National Labs,1994.

[9] Baum B A,Trepte Q.A grouped threshold approach for scene identification in AVHRR imagery[J].Journal of Atmospheric and Oceanic Technology,1999,16(6):793-800.

[10] Irish R R.Landsat 7 automatic cloud cover assessment[C]//Proceedings of SPIE Algorithms for Multispectral,Hyperspectral,and Ultraspectral Imagery VI.Orlando,FL:SPIE,2000,4049:348-355.

[11] 劉 希,許健民,杜秉玉.用雙通道動態閾值對GMS-5圖像進行自動云檢測[J].應用氣象學報,2005,16(4):434-444.

Liu X,Xu J M,Du B Y.A bi-channel dynamic threshold algorithm used in automatically identifying clouds on GMS-5 imagery[J].Journal of Applied Meteorological Science,2005,16(4):434-444.

[12] 馬 芳,張 強,郭 鈮,等.多通道衛星云圖云檢測方法的研究[J].大氣科學,2007,31(1):119-128.

Ma F,Zhang Q,Guo N,et al.The study of cloud detection with multi-channel data of satellite[J].Chinese Journal of Atmospheric Sciences,2007,31(1):119-128.

[13] 曹 瓊,鄭 紅,李行善.一種基于紋理特征的衛星遙感圖像云探測方法[J].航空學報,2007,28(3):661-666.

Cao Q,Zheng H,Li X S.Method for detecting cloud in satellite remote sensing image based on texture[J].Acta Aeronautica et Astronautica Sinica,2007,28(3):661-666.

[14] 單 娜,鄭天垚,王貞松.快速高準確度云檢測算法及其應用[J].遙感學報,2009,13(6):1138-1155.

Shan N,Zheng T Y,Wang Z S.High-speed and high-accuracy algorithm for cloud detection and its application[J].Journal of Remote Sensing,2009,13(6):1138-1155.

[15] Liu Y,Xia J,Shi C X,et al.An improved cloud classification algorithm for China’s FY-2C multi-channel images using artificial neural network[J].Sensors,2009,9(7):5558-5579.

[16] 陳振煒,張 過,寧津生,等.資源三號測繪衛星自動云檢測[J].測繪學報,2015,44(3):292-300.

Chen Z W,Zhang G,Ning J S,et al.An automatic cloud detection method for ZY-3 satellite[J].Acta Geodaetica et Cartographica Sinica,2015,44(3):292-300.

[17] Jedlovec G.Automated detection of clouds in satellite imagery[M]//Jedlovec G.Advances in Geoscience and Remote Sensing.InTech Open Access Publisher,2009.

[18] Liu S,Zhang L B,Zhang Z,et al.Automatic cloud detection for all-sky images using superpixel segmentation[J].IEEE Geoscience and Remote Sensing Letters,2015,12(2):354-358.

[19] 劉龍飛,陳云浩,李 京.遙感影像紋理分析方法綜述與展望[J].遙感技術與應用,2003,18(6):441-447.

Liu L F,Chen Y H,Li J.Texture analysis methods used in remote sensing images[J].Remote Sensing Technology and Application,2003,18(6):441-447.

[20] Jedlovec G J,Haines S L,Lafontaine F J.Spatial and temporal varying thresholds for cloud detection in GOES imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(6):1705-1717.

[21] Christodoulou C I,Michaelides S C,Pattichis C S.Multifeature texture analysis for the classification of clouds in satellite imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(11):2662-2668.

[22] Molnar G,Coakley J A Jr.Retrieval of cloud cover from satellite imagery data: A statistical approach[J].Journal of Geophysical Research,1985,90(D7):12960-12970.

[23] 劉志剛,李元祥,黃 峰.基于動態聚類的MODIS云檢測算法[J].遙感信息,2007(4):33-35,75.

Liu Z G,Li Y X,Huang F.Cloud detection of MODIS satellite images based on dynamical cluster[J].Remote Sensing Information,2007(4):33-35,75.

[24] Zhang W D,He M X,Mak M W.Cloud detection using probabilistic neural networks[C]//Proceedings of International Geoscience and Remote Sensing Symposium.Sydney,NSW,Australia:IEEE,2001,5:2373-2375.

[25] Li P F,Dong L M,Xiao H C,et al.A cloud image detection method based on SVM vector machine[J].Neurocomputing,2015,169:34-42.

[26] 李 爽,丁圣彥,許叔明.遙感影像分類方法比較研究[J].河南大學學報(自然科學版),2002,32(2):70-73.

Li S,Ding S Y,Xu S M.The comparative study of remote sensing image classification[J].Journal of Henan University(Natural Science),2002,32(2):70-73.

[27] Susskind J,Barnet C D,Blaisdell J M.Retrieval of atmospheric and surface parameters from AIRS/AMSU/HSB data in the presence of clouds[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(2):390-409.

[28] 赫英明,王漢杰,姜祝輝.支持向量機在云檢測中的應用[J].解放軍理工大學學報(自然科學版),2009,10(2):191-194.

He Y M,Wang H J,Jiang Z H.Application of support vector machines in cloud detection[J].Journal of PLA University of Science and Technology(Natural Science Edition),2009,10(2):191-194.

[29] 潘 聰,夏 斌,陳 彧,等.基于模糊聚類的MODIS云檢測算法研究[J].微計算機信息,2009,25(4):124-125.

Pan C,Xia B,Chen Y,et al.Cloud detection of MODIS data based on FCM[J].Microcomputer Information,2009,25(4):124-125.

[30] Hilker T,Lyapustin A I,Tucker C J,et al.Remote sensing of tropical ecosystems: Atmospheric correction and cloud masking matter[J].Remote Sensing of Environment,2012,127:370-384.

[31] 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.

[32] 王丹鳳,張記龍,王志斌,等.基于MODIS云產品的AIRS像素云檢測[J].國土資源遙感,2013,25(1):13-17.doi:10.6046/gtzyyg.2013.01.03.

Wang D F,Zhang J L,Wang Z B,et al.AIRS pixel cloud detection using MODIS cloud products[J].Remote Sensing for Land and Resources,2013,25(1):13-17.doi:10.6046/gtzyyg.2013.01.03.

[33] 盧 姁,嚴 衛,何錫玉.利用MODIS云檢測產品客觀確定AIRS云檢測[J].氣象科技,2007,35(5):740-743.

Lu X,Yan W,He X Y.Objective identification of AIRS cloud mask with MODIS cloud products[J].Meteorological Science and Technology,2007,35(5):740-743.

[34] Zhu Z,Woodcock C E.Object-based cloud and cloud shadow detection in Landsat imagery[J].Remote Sensing of Environment,2012,118:83-94.

[35] Vermote E,El Saleous N.LEDAPS surface reflectance product description, version 2.0[Z].2007.

[36] 蔣嫚嫚,邵振峰.采用主成分分析的改進云檢測算法[J].測繪科學,2015,40(2):150-154.

Jiang M M,Shao Z F.Advanced algorithm of PCA-based Fmask cloud detection[J].Science of Surveying and Mapping,2015,40(2):150-154.

[37] Zhu Z,Wang S X,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,2015,159:269-277.

[38] Shao Z F,Hou J H,Jiang M M,et al.Cloud detection in Landsat imagery for Antarctic region using multispectral thresholds[C]//Proceedings of Remote Sensing of the Atmosphere,Clouds,and Precipitation.Beijing,China:SPIE,2014,9259:92590P.

[39] Sano E E,Ferreira L G,Asner G P,et al.Spatial and temporal probabilities of obtaining cloud-free Landsat images over the Brazilian tropical savanna[J].International Journal of Remote Sensing,2007,28(12):2739-2752.

[40] Escrig H,Batlles F J,Alonso J,et al.Cloud detection,classification and motion estimation using geostationary satellite imagery for cloud cover forecast[J].Energy,2013,55:853-859.

[41] Maturi E,Harris A,Mittaz J,et al.NOAA’s sea surface temperature products from operational geostationary satellites[J].Bulletin of the American Meteorological Society,2008,89(12):1877-1888.

[42] Peak J E,Tag P M.Toward automated interpretation of satellite imagery for navy shipboard applications[J].Bulletin of the American Meteorological Society,1992,73(7):995-1008.

[43] Xu W,Wooster M J,Roberts G,et al.New GOES imager algorithms for cloud and active fire detection and fire radiative power assessment across North,South and Central America[J].Remote Sensing of Environment,2010,114(9):1876-1895.

[44] Bley S,Deneke H.A threshold-based cloud mask for the high-resolution visible channel of Meteosat Second Generation SEVIRI[J].Atmospheric Measurement Techniques,2013,6:2713-2723.

[45] 郭洪濤,王 毅,劉向培,等.衛星云圖云檢測的一種綜合優化方法[J].解放軍理工大學學報(自然科學版),2010,11(2):221-227.

Guo H T,Wang Y,Liu X P,et al.Integrated optimal method of cloud detection with meteorological satellite data[J].Journal of PLA University of Science and Technology(Natural Science Edition),2010,11(2):221-227.

[46] 楊昌軍,許健民,趙鳳生.時間序列在FY2C云檢測中的應用[J].大氣與環境光學學報,2008,3(5):377-391.

Yang C J,Xu J M,Zhao F S.Application of time series in FY2C cloud detection[J].Journal of Atmospheric and Environmental Optics,2008,3(5):377-391.

[47] Taylor T E,O’Dell C W,O’Brien D M,et al.Comparison of cloud-screening methods applied to GOSAT near-infrared spectra[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(1):295-309.

[48] Taylor T E,O’Dell C W,Cronk H Q,et al.Evaluation of cloud and aerosol screening of early orbiting carbon observatory-2 observations with collocated MODIS measurements[C]//AGU Fall Meeting Abstracts.Washington,DC:AGU,2014.

[49] Schr?der M,Bennartz R,Schüller L,et al.Generating cloudmasks in spatial high-resolution observations of clouds using texture and radiance information[J].International Journal of Remote Sensing,2002,23(20):4247-4261.

[50] Liu R G,Liu Y.Generation of new cloud masks from MODIS land surface reflectance products[J].Remote Sensing of Environment,2013,133:21-37.

[51] 談建國,周紅妹,陸 賢,等.NOAA衛星云檢測和云修復業務應用系統的研制和建立[J].遙感技術與應用,2000,15(4):228-231.

Tan J G,Zhou H M,Lu X,et al.Research and establishment in operation system of cloud detection and rehabilitation applied to NOAA satellite[J].Remote Sensing Technology and Application,2000,15(4):228-231.

[52] Fisher A.Cloud and cloud-shadow detection in SPOT5 HRG imagery with automated morphological feature extraction[J].Remote Sensing,2014,6(1):776-800.

[53] 楊昌軍.韋伯定律及時間序列在FY2C云檢測中的應用研究[D].南京:南京信息工程大學,2007.

Yang C J.Study on the Application of Weber’s Law and Time Serials in FY2C Cloud Detection[D].Nanjing:Nanjing University of Information Science and Technology,2007.

[54] 文雄飛,董新奕,劉良明.“云指數法”云檢測研究[J].武漢大學學報(信息科學版),2009,34(7):838-841.

Wen X F,Dong X Y,Liu L M.Cloud index method for cloud detection[J].Geomatics and Information Science of Wuhan University,2009,34(7):838-841.

[55] 師春香,吳蓉璋,項續康.多閾值和神經網絡衛星云圖云系自動分割試驗[J].應用氣象學報,2001,12(1):70-78.

Shi C X,Wu R Z,Xiang X K.Automatic segmentation of satellite image using hierarchical threshold and neural network[J].Quarterly Journal of Applied Meteorology,2001,12(1):70-78.

[56] 韓自發.基于稀疏表示的遙感圖像去云方法研究[D].哈爾濱:哈爾濱工程大學,2013.

Han Z F.Study on Removing Cloud from Remote Sensing Image Based on Sparse Representation[D].Harbin:Harbin Engineering University,2013.

Areviewofclouddetectionmethodsinremotesensingimages

LIU Zihan, WU Yanlan

(SchoolofResourcesandEnvironmentalEngineering,AnhuiUniversity,Hefei230601,China)

Cloud cover is the main factor affecting the quality of remote sensing image. Cloud detection for remote sensing images is one of the principal problems that must be solved in remote sensing data restoration processing. On the basis of extensive investigation of existing articles, the research status of cloud detection is analyzed, and then a classification and comprehensive overview of cloud detection methods is presented, the cloud detection methods for several kinds of commonly used satellite data are also given. By comparing the cloud detection methods, the existing problems and development trend of cloud detection method are discussed.

remote sensing; image; cloud detection; sensor; review

10.6046/gtzyyg.2017.04.02

劉紫涵,吳艷蘭.遙感圖像云檢測方法研究進展[J].國土資源遙感,2017,29(4):6-12.(Liu Z H,Wu Y L.A review of cloud detection methods in remote sensing images[J].Remote Sensing for Land and Resources,2017,29(4):6-12.)

TP 751.1

A

1001-070X(2017)04-0006-07

2016-07-21；

2016-11-13

安徽省自然科學基金面上項目“面向海洋劃界的海岸線曲折度與長度量算研究”(編號： 1308085MD52)和安徽大學研究生學術創新研究強化項目“風云靜止衛星地表溫度產品空值數據穩健修復”(編號： yqh100254)共同資助。

劉紫涵 (1990-)，男，碩士研究生，主要從事遙感圖像處理方面的研究。Email： rs312lzh@yeah.net。

(責任編輯：張仙)