卫星影像在成像过程中由于受到云层遮挡，导致原地物光谱失真，影响测绘产品生产与影像判读。因此，实现生产前准确云检测具有重要的实际生产意义^[1]。现有算法主要利用云的光谱、频率、纹理等特性^[2-6]，结合阈值法^[7-9]、支持向量机法^{[10, 11]}、聚类法^[12]等进行检测。光谱结合阈值法主要利用云在可见光波段具有强反射的特性，该类算法对阈值的敏感程度较高，同一卫星数据因时间、天气等原因，检测阈值将发生巨大变化，加大了此类方法的局限性。频率结合阈值法主要利用云的低频特性，通过小波分析^[13]、傅里叶变换等方法获取影像低频数据进行云检测，但由于受地面低频信息干扰，通常采用多层小波变换^{[14, 15]}排除，这大大降低了云检测效率。纹理特征法利用云与地面纹理特征差异，常以分块子图为单位，结合二阶矩^[16]、分形维数^[17]、灰度共生矩阵^[18-20]和多次双边滤波^[21]进行纹理特征计算，该类方法需要提前获得可靠云特征区间才能保证分类的精度，效率较低。支持向量机与聚类法，需要获取大量的训练样本，对分类特征的选取要求较高，针对不同数据需要重新选取样本，导致效率低下。

本研究基于影像多通道信息，即红、绿、蓝、近红外4个波段信息，进行云检测。通过改进的HIS模型大大降低了薄云的检测难度。研究表明，云对红外波段有特殊的反射与吸收特性^[15]，但长期以来利用红外波段进行云检测的相关研究却较少，研究中利用近红外波段区分云与高亮的河流等地物取得了理想的效果。另外，直方图均衡化与双边滤波相结合提取影像纹理的方法，有效弥补了传统分形维数和灰度共生矩阵计算精度低、效率低下的不足。

1 影像自动云检测

文中介绍的国产高分辨率遥感卫星影像自动云检测分为云层粗提取、粗差剔除、云层精提取3个关键步骤，所制定的云检测算法流程如图 1所示。

RGB色彩模型对厚云检测效果较好，但难以识别薄云。为此，笔者引入HIS色彩模型，将基于笛卡儿直角坐标系的单位立方体向基于圆柱极坐标的双椎体转换^[22]。卫星影像中云层R、G、B值较高且接近，色彩上表现为偏白，但在传统H通道表现为无规律状态，因此无法用于云识别。为体现云层R、G、B相似特性，文中对H通道作如下改进。

R、G、B灰度值排序

式中，R′、G′、B′分别为R、G、B中最小值、中间值、最大值。

R′、G′、B′权值调整

将权值调整后的R″、G″、B″代入传统公式求取色调值H。

算法改进原理如图 2所示，图 2(a)为传统HIS圆锥体模型，图 2(b)为传统H通道，图 2(c)最上层为传统H通道6等分展开及对应H范围，图 2中竖线仅代表R、G、B相对大小关系，与真实值大小无关。从图中可以发现，仅当R、G、B灰度值较为相似时，H值较小，其他情况下，H值均较大。

模型改进前后色调对比如图 3所示。云层R、G、B值较高且接近，集中在图中对角线附近。图 3(a)中云层色调变化区间很大，图 3(b)中云色调较小，可与其他地物明显区分。

RGB转改进HIS模型效果如图 4所示。从改进HIS色彩模型可以发现，卫星影像中云层具有以下共同特性：

(1) 云区受太阳光照射，反射强度较大，导致亮度、温度较高；

(2) 云层在RGB色彩空间表现为白色，因此饱和度较低；

(3) 改进HIS色彩空间下，其他偏色地物色调较大，而高亮的灰白色云层色调较小；

(4) 有云层覆盖的区域细节特征较少；

(5) 云层一般聚集存在。

1.1 云层粗提取

1.1.1 基底图

厚云将光线反射入卫星传感器，因此呈现白色。薄云与地物反射光混合传入卫星传感器，给人的色彩感知是地物光谱中“掺入了白色”^[23]，导致原地物亮度增大，饱和度降低。将I、S线性拉伸到0至1之间转为I′、S′，并利用式(3)计算得到基底中间值

式中，I′为拉伸后亮度值；S′为拉伸后饱和度值；τ为缓冲系数，试验中取值为1.0；J′为基底中间值；将J′线性拉伸到0至255，转为基底像素值J，效果如图 5所示。

1.1.2 修正图

使用Otsu阈值可大体将基底图中的云层与下垫面分割开，但往往存在分割阈值过大，薄云漏检，分割阈值过小，误检率过高等现象，试验中采用带约束的Otsu阈值能有效解决这一问题。

试验中，从高分一号、高分二号、资源三号等卫星影像中，选取500个云层基底图(包含薄云、厚云)，统计像素灰度直方图和累积频率分布如图 7所示。

由图 7分析可知，云层基底灰度值大体分布在80至255之间，而累积频率在130处呈快速上升趋势，表征当Otsu阈值大于130，漏掉薄云的可能性随之迅速增大。因此，试验中设定基底图分割阈值范围为80至130，即按式(4)对阈值进行修正

阈值修正前后基底图分割效果在图 8中反映。可以看出，阈值修正后，可在保证查全率前提下，有效控制误检率。

利用云层在近红外波段高亮以及色调值较低的特性，排除高亮度水域以及偏色裸地等噪声，可对分割后的基底图进行修正。从图 9发现，云层近红外值IN均大于350，色调值H均小于120。因此修正图I_X的生成将以以下3个条件作为依据：

(1) 基底值J大于T_JF；

(2) 近红外值IN大于350；

(3) 色调H值小于120。

多条件分割生成的修正结果如图 10所示。

1.2 粗差剔除

修正图中能够将厚云与薄云提取出来，但存在部分高亮度人工建筑等噪声。利用云层弱纹理特性能够有效剔除这些噪声。一般而言，云在图像上的灰度分布均匀、纹理较粗。反之，地物的纹理复杂度和灰度跳变程度较大。

1.2.1 细节图

传统纹理分析法依赖于提取的特征，如分数维、灰度梯度共生矩阵等^[18-20]。这类算法对航空影像处理效果较好，但卫星影像上大部分地物纹理较粗，与云层纹理特征相似，容易产生混淆。文中直方图均衡与双边滤波相结合的方法能有效克服这一难题。

对影像亮度分量I进行直方图均衡化，转为均衡化亮度图IE，可突出影像中隐含的纹理信息^[16]。

双边滤波在对图像进行光滑的同时能有效保持图像边缘特征。对于卫星影像，通常进行多次双边滤波来提取纹理^[21]，这对计算机内存及运算能力有着极高要求。文中进行直方图均衡化有效强化了地物纹理，仅需一次双边滤波便能有效提取地物纹理。将均衡化亮度图IE按式(5)变换得到滤波影像IE′

式中，Ω_x,y表示以(i,j)为中心的M×M(M为奇数)大小的窗口。对该窗口内每一个像素点(i,j)，其权重w(i,j)由两部分因子组成

式中，w(i,j)为计算权重；W_s(i,j)为空间距离因子；W_r(i,j)为亮度相似度因子；σ_s和σ_r表示高斯函数标准偏差，试验中σ_s取值为2，σ_r取值为IE_max/10；IE_max表示均衡化亮度最大值；e表示数学常量；(i,j)为待滤波中心像素坐标；(i′,j′)为窗口内其他像素坐标；IE′(i,j)为双边滤波后的中心像素亮度值。通过式(9)构建细节图，I′_D为细节图中像素灰度值

亮度图均衡化以及均衡化前后细节提取效果如图 11所示。

图 11(c)为图 11(a)直方图均衡化效果，可看出城区呈现明显颗粒感，突出了建筑物细节，而云层只是对比度增强。均衡化前，仅厚云中心区域粗纹理特征明显(图 11(b))，周围薄云与下垫面没有差别，而均衡化后，云区与下垫面表现出明显的差别(图 11(d))。为充分利用这一特性，本文使用带限定条件的Otsu阈值Otsu_2对细节图(图 11(d))进行分割，即在一维Otsu阈值Otsu_1基础上，将满足条件的像素作为统计数据来源，再次计算Otsu阈值，即可获取改进后的自动阈值^[6]。

对图 11(d)统计细节灰度直方图如图 12(a)所示，一维Otsu阈值Otsu_1=22分割如图 12(b)，采用筛选后的改进直方图如图 12(c)，带限定条件Otsu阈值Otsu_2=7，分割结果如图 12(d)。试验结果表明，带限定条件的Otsu阈值在一定程度上提高了阈值适用性与检测精度。

1.2.2 云种子图

利用分割后的细节图I_D对修正图I_X进行粗差剔除，得到云种子图

式中，I_R表示云种子图；I_X表示修正图；I_D表示分割后细节图。效果如图 13所示。

1.3 云层精检测

上述处理可准确定位云区，但往往存在边缘薄云漏检测现象。为提高云检测精度，采用边缘种子条件膨胀的方式进行精确提取。策略的思想是：首先进行迭代条件膨胀提取边缘厚云，然后进行单次条件膨胀将厚云向薄云过渡，最后再次进行迭代条件膨胀提取边缘薄云。

1.3.1 边缘厚云提取

(1) 边缘种子确定。云种子图I_R上，在以云像元为中心的3×3窗口内，若存在非云像元，则该云像元为边缘种子。

(2) 条件膨胀。在亮度图I上，将边缘种子与3×3窗口内各邻域点的亮度差绝对值dI=|I(i,j)-I(i′,j′)|作为判断依据，当dI小于种子亮度值的k倍，则认为该邻域点与该种子属于同类，即将该邻域判定为新增云像元。当0.8%≤k≤1.2%时，亮度差值约小于12，这在卫星影像上属于人眼不可区分值，因此试验设定k为0.8%作为条件膨胀阈值。

(3) 判断是否停止迭代。当新增云像元数小于限差T(T为经验阈值，可根据需要调整，试验中取为200)，说明已收敛，停止迭代。同时为了防止过膨胀，对膨胀次数也应进行限制，当膨胀次数达到上限D(D为经验阈值，试验中设定为3)，终止迭代。

1.3.2 边缘厚云向薄云过渡

(1) 边缘种子确定。

(2) 条件膨胀。大量试验数据统计发现，薄云亮度值约为厚云的30%～50%。为了将边缘厚云向薄云过渡的同时保证查准率，试验中设定k为30%进行单次条件膨胀。

1.3.3 边缘薄云提取

与提取边缘厚云类似，只是条件膨胀阈值k设定为上限值1.2%。这是因为薄云亮度值相对较小，分散较为稀疏，取较大k值，可避免薄云漏检。 云层精检测具体流程如图 14所示。

该处理流程能有效提高云检测精度，改善效果如图 15所示。

2 试验结果与分析

文中选取文献[15]中多层无抽样小波变换结合Otsu阈值方法(以下简称小波法)与文献[21]中RGB逐步优化算法(以下简称逐步法)以及文献[12, 24]半自动式云检测方法为参考。选取多幅高分一、二号、资源三号影像(影像信息如表 1所示)进行试验，并在目视效果、检测精度、运算性能上进行比较和评价。

2.1 目视效果

图 16和图 17分别为本文算法与自动、半自动式云检测算法效果比较。图中黄圈内为漏检区域，蓝圈内为误检区域。

图 16为小波法、逐步法和本文方法试验结果对比。可看出，本文方法目视效果最好。第1、3幅图中，小波法将大量人工建筑、裸地误判为云，而逐步法存在薄云漏检。第2幅图中，小波法与逐步法均存在薄云漏检现象。第4幅图中，小波法将高亮度水域及裸地误判为云，逐步法存在薄云漏检，以及水域误判情况，而本文方法因加入了近红外信息，因此能够对高亮度水域进行有效排除。小波法通过获取影像低频信息来进行云检测，逐步法通过多次双边滤波提取影像纹理，但在卫星影像中，城镇与裸地均表现为低频率、弱纹理特征，容易与云层产生混淆，而较薄云层又难以与地物有效区分，导致薄云漏检。文中在提取纹理之前进行直方图均衡化，突出隐含纹理信息，有效提高了检测精度。

图 17为最大似然法、图割法和本文方法检测结果对比。最大似然提取结果中存在大量噪声，许多房屋、裸地误判为云。图割法虽然不存在斑点噪声，但是与云区相连通的区域存在过提取现象。最大似然法仅以灰度接近程度为依据，未考虑空间距离特征，导致检测出大量离散噪声。图割法加入了空间距离特征，但与目标连通的噪声区域，不能做到准确分割。本文方法除灰度信息之外，还加入了纹理信息，因此检测效果优于二者。

2.2 检测精度

试验中采用手动勾画方式提取真实云图，并将查准率、查全率以及错误率作为度量标准，计算公式为

式中，PR为查准率；TC为准确识别的真云像元数；FA为识别为云像元总数；RR为查全率；TA为真云像元数；ER为错误率；TF为云误判定为非云像元数；FT为非云误判定为云像元数；NA为总像元数。图 16中各算法查准率、查全率与错误率如表 2所示。

为将本方法与人工交互式方法进行更合理的定量对比，文中引入人工率这一衡量标准，计算公式为

式中，WR为人工率；DR为人工勾画像元数；NA为总像元数。图 17中各算法查准率、查全率、错误率及人工率如表 3所示。

结合表 2对图 16中检测结果进行定量分析。小波法和逐步法难以兼顾查准率与查全率，而本文算法两者均在90%左右。在第1、3、4幅图中，小波法查全率均高于83%，但错误率较高，查准率偏低。这是因为该算法易将房屋、道路、裸地、河流等误判为云。在第1幅图中，逐步法查准率达到99.8%，但查全率却只有34.8%，这是因为存在大面积云层漏检。在第2幅图中，小波法和逐步法查准率均高于99%，但查全率却只有2.61%和31.1%，这也是因为对薄云的识别存在较大的局限性。从错误率方面比较，本文算法错误率最高仅为3.3%，其余两种算法错误率最低为4.4%，小波法和逐步法在第2幅图中甚至出现了15.6%和11.1%的高错误率。

结合表 3对图 17中检测结果进行定量分析。最大似然法查准率均在90%以上，但第2、3幅图查全率却均低于70%。主要是因为样本集中在厚云区域，并且负样本中裸地、房屋等与薄云表现出极大的相似性，导致许多薄云误判为非云对象。图割法查全率均高于83%，但查准率较低，特别第3幅图查准率只有76.1%，主要是因为该算法在云层与裸地、房屋相连的区域易出现误提取。本文算法错误率均最低，在1%左右。可以看出，与人工干预云检测算法相比，本文方法仍表现出较强的优越性。

2.3 运算性能

实际生产中对云检测速度要求较高，为提高生产效率，可从原始数据降采样，高性能并行处理，算法优化3方面进行。本算法与参照算法相比，复杂度适中，计算量小，并且检测精度也较高。在系统配置为Intel(R)Core(TM)i5-3230M CPU @2.60 GHz，内存4 GB的计算机上各算法在耗时方面的对比结果如表 4所示。

表 4中实、虚框中分别为同组数据处理速度最快与最慢。可以看出，本文算法效率高于逐步法和小波法。主要是因为逐步法通过多次双边滤波的方式提取纹理，这对计算的内存以及运算能力要求较高。而小波法通过多次小波变换获取低频信息，大大增加了计算量，直接导致检测效率低下。

3 结 语

本文提出了一种基于多通道信息的国产高分辨率遥感卫星影像自动云检测方法。该方法通过改进的HIS模型，提高了薄云检测精度。在使用双边滤波提取影像纹理信息之前，采用直方图均衡化对亮度信息进行预处理，以突出地物纹理细节，有效弥补了传统纹理分析方法计算精度低、效率低下的不足。

本方法已用于实际项目生产中，可全自动地对资源三号、高分一号、高分二号等国产高分辨率卫星影像进行云检测。从实践生产分析该方法有以下优点：

(1) 无须人工干预，全自动化处理。

(2) 算法复杂度适中，计算量小，计算速度快。

(3) 检测精度高。可在准确检测厚云、薄云的前提下，有效排除高亮度水域、房屋、裸地等的干扰。

(4) 适用性较广，可用于能提供红、绿、蓝、近红外波段数据的国产高分辨率遥感卫星影像云检测。

另一方面，本方法也有其局限性，主要表现在处理厚薄不均的卷云时，会出现漏检测现象，主要是利用带限定条件Otsu阈值分割细节图时，易将纹理较细的卷云误判为非云。当条件允许时，可通过约束纹理阈值范围的方式加以改善，后期将针对此问题进行深入研究。