基于光谱指数的多/高光谱光学遥感成像仪云/影检测)

论文地址

0.摘要

云和云阴影的检测是光学遥感应用中必要的预处理步骤，因为云和云阴影会对数据分析产生巨大的负面影响。然而，现有的云/阴影检测方法大多是基于特定传感器的特定波段配置而设计的，其工作机制比较复杂，计算量比较大，限制了其应用。鉴于此，本文针对目前广泛应用的可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的统一云/影检测算法(CSD-SI)。一方面，提出了云指数(CI)和云阴影指数(CSI)，根据它们的物理反射特性来表示潜在的云和云阴影;此外，考虑云与云阴影的空间共存，采用空间匹配策略去除伪云阴影。在8种不同类型的光谱和空间分辨率的多光谱/高光谱光学传感器上验证了该算法的有效性。总体而言，在本研究的实验中，CSD-SI对云的总体平均准确率为98.52%，生产者的平均准确率为93.13%，用户的平均准确率为98.13%。对于云阴影，CSD-SI的均值生产者精度为84.33%，均值用户精度为89.12%。实验结果表明，基于光谱指数的CSD-SI方法可以获得与其他先进方法相当的云/阴影检测性能。

1.概述

光学遥感图像(如Landsat/SPOT)通常受到云及其相关阴影的影响(Dozier, 1989;Zhu和Woodcock, 2012;Zhu等人，2015;Irish et al.， 2006;Wu et al.， 2016)，会对地球观测造成干扰和障碍，并会对各种遥感应用造成严重的问题，如植被监测(Lu et al.， 2017)、土地覆盖/利用分析(Zhu and Woodcock, 2014)、变化检测(Zhu, 2017)等。特别是在定量分析中，云及其阴影对结论可靠性的影响是不可忽视的。另一方面，在很多情况下，获取一幅清晰的遥感图像会消耗大量的时间、人力和金钱。因此，即使通常无法检索到由于云/阴影遮挡而导致的信息缺失，在进行任何遥感应用之前，准确识别卫星图像中的云和云阴影并筛选出它们仍然是非常重要和必要的
一般来说，云具有比其他陆地物质更高的反射率和更低的亮温(Platnick et al.， 2003;Clerbaux等人，2009;Zhu和Woodcock, 2012;Zhu等人，2015;Sun et al.， 2017)，即它们在RGB空间一般呈白色或灰色，在热红外波段一般呈深色。然而，由于云层的反射特性与其他明亮的陆地材料(如岩石、裸露的土壤、水泥道路和建筑物)相似，因此很难准确地将它们区分开来。此外，热红外波段的使用一般只适用于厚、不透明的云层，这种方法显然不能应用于没有这个波段的光学遥感传感器，这限制了它的应用领域。
到目前为止，已经开发了许多自动云检测方法，大致可以分为两大类:基于单场景的方法和基于多场景的方法。相比之下，基于多场景的方法虽然通常比基于单场景的方法具有更高的检测精度，但却不太受欢迎(Goodwin et al.， 2013;Jin等，2013;Lin等人，2015)，这是因为利用了多时间图像提供的更多信息，即在短时间内同一成像区域至少有两张图像。
1976年，“流苏帽”(TC)变换作为一种基于单场景的雾或云探测器(Kauth和Thomas, 1976)首次被开发出来。然而，由于云和其他材料不能严格满足简单的TC正交关系假设，在许多情况下不能获得满意的结果。随后，Zhang et al.(2002)提出了有效且显著的“雾霾优化变换”(HOT)云检测算法，通过对蓝、红波段进行线性回归得到“晴空线”，并利用到这条线的距离来分离云和其他材料。虽然HOT通常表现出比TC更好的检测性能，但它往往会导致高估。究其原因，HOT测试往往不能有效地排除其他明亮材料，如岩石和水泥路面(Zhu and Woodcock, 2012)。近年来，基于机器学习的云检测算法不断发展，包括基于马尔可夫随机场的方法(Le Hégarat-Mascle and André， 2009;Vivone等人，2014;Li等人，2018)，基于神经网络的方法(Hughes和Hayes, 2014)，以及基于支持向量机的方法(Li等人，2015;Bai等人，2016;Ishida et al.， 2018)，并显示出巨大的潜力。然而，这些方法通常具有较高的计算复杂度和耗时
对于云阴影来说，如何有效地将其与其他深色陆地物体(如水和地形阴影)区分开来，通常是比较困难和具有挑战性的(Zhu and Woodcock, 2012;Sun等人，2018)。这是因为这些材料的反射特性与云阴影非常相似。此外，云阴影的反射特性在很大程度上受下垫地物类型的影响，这意味着云阴影内部存在较大的光谱变异性。这样就很难准确的检测出云层阴影，并且在云层阴影检测结果中会出现大量的噪声。
关于云阴影检测，已经提出了大量的方法，大致可以分为三大类。第一类是基于投影法，这些方法利用传感器参数(包括太阳方位角、太阳高度和传感器高度)作为先验知识，计算云阴影的投影方向(Simpson and Stitt, 1998)。第二类是基于使用匹配滤波器来识别云阴影，这可以通过光谱波段协方差矩阵来评估(Richter和Muller, 2005)。第三类是光谱分析与几何方法相结合(Li等人，2013年)，利用几何操作填补光谱测试的空白。然而，这些方法没有充分考虑到云层阴影的光谱变异性较大和暗像元的严重干扰。因此，它们通常不能准确地检测到云的阴影。
近年来，针对特定卫星传感器提出了许多云/阴影检测算法，特别是针对Landsat系列传感器(Huang et al.， 2010a,b;Roy等人，2010)。这是地球资源卫星免费获取政策的结果，而且它是观测和监测地球表面的宝贵遥感数据源(Kennedy et al.， 2010)。例如，针对Landsat 7图像的云量评估，设计了经典的自动云量评估(ACCA)算法(Irish et al.， 2006)。在最近的工作中，Fmask算法及其改进版本(Zhu和Woodcock, 2012;Zhu等人，2015;Qiu et al.， 2017)，通过一系列光谱测试和基于对象的云和云阴影匹配过程，获得了优秀的云/阴影检测性能。因此，F-mask算法及其改进版本已经成功地应用于大量Landsat图像的实际应用。然而，许多针对特定卫星传感器设计的云/阴影检测算法都有一定的局限性，即这些算法往往在检测过程中选择一个较低的阈值来识别所有潜在的云，这通常会导致高估(Zhu et al.， 2015)。此外，它们依赖于热红外波段(Zhu和Woodcock, 2012;Qiu et al.， 2017)或卷云带(Zhu et al.， 2015)，因此不能有效地应用于其他光学传感器(如IKONOS)，没有热红外带或卷云带。
最近提出了一种自动多特征结合(MFC)方法，用于高分1 (GF-1)宽视场(WFV)图像的云和云阴影检测(Li et al.， 2017)。MFC方法首先根据光谱特征通过阈值分割和引导滤波生成初步的云掩模;然后结合几何特征和纹理特征改进云检测结果，生成最终的云掩模。通过云影匹配和后续校正过程获得云影掩码。MFC方法对GF-1图像具有良好的检测性能。
然而，到目前为止，统一的云/影探测器很少被开发出来。现有的方法大多是基于特定传感器的特定频段结构设计的，通用性有限。然而，在许多遥感应用中，必须同时利用不同的遥感数据源(Zhu和Woodcock, 2012;Zhu et al.， 2015)，为每个光学遥感传感器选择合适的云/阴影检测算法需要花费大量的时间和人力。因此，迫切需要一种统一的、适用于各种光学遥感传感器的云/阴影检测方法。
鉴于此，本文针对各种可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的统一云/影检测算法(CSD-SI)。首先，基于云和云阴影的反射特性，提出了云指数(CI)和云阴影指数(CSI)，分别用于云和云阴影的检测。这两个指标是结合可见光和红外光谱设计的，充分考虑了云及其相关阴影的反射特性，可以有效地指示潜在的云和异常点较少的云阴影，即伪云或伪云阴影。其次，充分考虑云与云阴影的空间共存，利用空间匹配策略去除伪云阴影;提出的CSD-SI算法是一种统一的云/阴影检测方法，适用于目前广泛应用的不同光谱和空间分辨率的多光谱/高光谱光学遥感传感器。也就是说，本文提出的CSD-SI算法不是针对特定的传感器设计的，对不同传感器的通道标识具有相对鲁棒性，只要它们同时包含可见光和红外波段。此外，由于CSD-SI算法工作机制简单，计算成本相对较低，对实际的多源遥感应用有意义。

2.算法：基于光谱指数的云和阴影检测

图1所示。基于光谱指数(CSD-SI)的云/阴影检测算法的工作流程。

在遥感应用领域，光谱指数已广泛成功地应用于各种活动。常用的光谱指数包括用于植被识别的归一化差异植被指数(NDVI) (Goward等人，1991;Tucker等人，2005;DeFries和Townshend, 1994)，水检测的归一化差水指数(NDWI) (Gao, 1996;mcfeters, 1996)，以及用于雪提取的归一化差雪指数(NDSI) (Dozier, 1989)。这些光谱指数虽然比较简单，但由于计算成本非常低，其性能总体上是令人满意的，通常可以满足实际遥感应用的要求。受这些基于光谱指数的方法的有效性的启发，本文提出了一种基于光谱指数的统一云/阴影检测算法(CSD-SI)。CSD-SI可以同时检测云层及其阴影，具有较高的精度和较低的计算复杂度，可以很好地应用于大多数广泛使用的可见光和红外光谱通道的多光谱/高光谱光学遥感传感器。
总体而言，本文提出的CSD-SI算法的工作流程如图1所示。后面几节将给出详细的介绍

2.1.云指数和云检测

图2所示。陆地卫星5 TM传感器的云污染图像。(a)真实RGB图像。(b)蓝带图像。©绿带图像。(d)红色波段图像。(e)近红外波段图像。(f)波长较短的短波红外波段图像。(g)波长较长的短波红外波段图像。对于这个图例中关于颜色的解释，读者可以参考本文的网页版本。

一般来说，云在光学遥感图像中有其自身的反射特性。事实上，云污染区域的亮度在可见光、近红外(NIR)和短波红外(SWIR)波段以相对较大的亮度增加。这意味着在这些波段中，云像素的DN (digital number, DN)值要比其他材料的大得多，尤其是在厚云的情况下。同时，云像元在可见光和红外波段也具有类似的反射特性，与其他地表覆盖材料普遍不同，如图2所示。
基于上述反射特性，提出了CI指数来区分云和其他陆地物质。目前广泛应用的中/低分辨率多/高光谱遥感传感器大多同时具有近红外光谱通道和SWIR光谱通道，而高分辨率遥感传感器通常只具有近红外光谱通道。根据是否纳入SWIR波段，CI指数可选择以下两种形式:

其中B_B、B_G和B_R分别表示可见范围内的蓝色、绿色和红色波段。B_NIR,B_SWIR-1和B_SWIR-2分别表示近红外、较短波长的SWIR和较长波长的SWIR三个红外波段。
式(1-a)中，利用CI₁指数，即红外波段和可见光波段之和与可见光波段之和之比，来衡量可见光波段和红外波段反射特性的相似性。一般来说，考虑到云在可见光波段和红外波段的反射特性通常是相似的，所以CI1指数通常在1左右，范围很窄。在Eq(1-b)，构造CI2指数，即所有相关光谱波段的均值来描述云的亮度特性。通过以下公式可以有效检测云层:

其中T₁是一个小阈值，T₂是一个大阈值，这将在2.3节中详细解释。从理论角度看，结合这两种识别准则，可以检测到图像中的云，排除了岩石、裸土、水泥道路等其他明亮土地材料造成的干扰因素，同时满足CI1和CI2约束的土地材料较少

2.2. 云影指数和云影检测

图3所示。云影检测的过程。

与云检测相比，云阴影检测更加复杂和困难(Le Hégarat-Mascle and André， 2009;Zhu和Woodcock, 2012;Zhu et al.， 2015)。这是因为云影可以投射到任何一种陆地物体上，DN值只能部分反映云影的特征。这意味着云层阴影的反射特性高度依赖于底层的陆地物体。因此，一个有效的检测规则不容易定义。此外，一些深色陆地物体(如水和地形阴影)的反射特性与云阴影非常相似，这使得准确地将云阴影与其他陆地物体分离成为一项具有挑战性的任务。
首先，采用与云检测相同的策略，设计一个有效的光谱指数，用最具代表性和可识别的光谱通道来指示潜在的云阴影。云阴影的一种广泛使用的先验是，由于光束太阳辐射被云阻挡，云阴影主要由散射光来表示(Zhu和Woodcock, 2012)。此外，大气散射在较短波长，即可见光波段更强，阴影中的扩散辐射在较长波长，即近红外和SWIR波段更弱，导致云阴影比周围环境更暗(Luo et al.， 2008;Zhu和Woodcock, 2012;Zhu et al.， 2015)。另一方面，植被、岩石、裸地等多种陆面物在近红外和SWIR波段具有较高的反射率，使得云影在这些波段的暗化作用更加明显。此外，近红外波段被广泛应用于云阴影检测，并已被验证是有效的(Le Hégarat-Mascle和André， 2009;Zhu和Woodcock, 2012;Zhu等人，2015;邱等，2017;Li等人，2017)。因此，在我们的工作中，我们使用近红外波段来检测云影，为了进一步增强云影与其他材料的区别，我们还使用了SWIR-1波段和近红外波段一起来设计云影指示器。由于与其他波段相比，SWIR-2波段的光谱范围差异较大，因此没有包括在内。
基于上述反射特性，提出CSI指数用于检测光学图像中包含的云层阴影。与CI指数相似，根据是否纳入了SWIR-1波段，CSI指数也可以按照以下两种公式来构建:

其中CSI指数设计为近红外波段和涡旋-1波段的平均值，或仅为近红外波段的平均值，用来表示云影在较长波长的反射特性。然而，在这些带中，水通常具有类似的非常暗的特征，需要添加一些其他的约束来排除水和识别投在水上的云阴影。考虑到水在较短的波长，也就是蓝色波段反射率比较高，所以利用蓝色波段来排除水。通过这两种光谱测试，可以确定云影如下:

其中T₃和T₄为小阈值，在2.3节中详细说明。
然而，在许多情况下，仅通过这些光谱测试不能完全排除地形阴影，因为它们具有与云阴影非常相似的反射特性。众所周知，云的阴影是由云遮挡产生的。也就是说，云和云的阴影应该表现出空间的共存(Le Hégarat-Mascle and André， 2009;Zhu和Woodcock, 2012;Zhu et al.， 2015)。在此基础上，利用空间共存去除伪云阴影，细化检测结果。具体而言，通过CSI检验得到的粗云阴影检测结果可以通过空间匹配策略进行像素级细化。该策略包括在每个潜在的云阴影像素的局部空间邻域内搜索云像素，以确定它是否是一个真正的云阴影像素。如果局部邻域内存在云像素，最终确定潜在的云阴影像素为真实云像素。否则判定为伪云影像素并去除。这样可以有效地缓解地形阴影带来的干扰，并对云阴影检测结果进行细化。
另一方面，云和云阴影实际上有一个精确的几何关系(Le Hégarat-Mascle和André， 2009;Zhu和Woodcock, 2012;Zhu et al.， 2015)，因为云的阴影总是沿着云的某一个方向，根据几何投影定律。在实际应用中，对某一成像场景只需要在阴影的一侧进行空间搜索。在我们的研究中，利用矩形局部窗口灵活地控制搜索范围。云影检测过程如图3所示。
基于CI和CSI指数，本文提出的CSD-SI算法可以同时有效地检测云层及其相关阴影。通过空间匹配策略，去除伪云阴影，即地形阴影。然后分别对云检测图和云阴影检测图使用中值滤波作为后处理步骤，进一步去除噪声，细化检测结果。最后，将精细化的云检测图与云阴影检测图相结合，生成云/阴影检测专题图。本文提出的CSD-SI算法在算法1中进行了总结。

算法1。基于CSD-SI的多光谱光学遥感图像云/阴影检测算法
输入数据:原始多/高光谱光学遥感影像。
主要算法:
(1)云检测:利用公式(1)定义的CI光谱指数，根据公式(2)对云进行掩码;利用中值滤波进行后处理，去除噪声/异常值，细化检测结果，得到最终的云检测结果。
(2)云影检测:利用式(3)定义的CSI光谱指数，根据式(4)对所有可能的云影进行掩蔽;利用云检测结果进行空间匹配细化云阴影;利用中值滤波进行后处理，去除噪声/异常值，进一步细化检测结果，得到最终的云阴影检测结果。
(3)云/影检测:将精细化的云检测图与云阴影检测图结合，生成最终的云/影检测专题图。
输出结果:云/影检测专题图。

2.3. 参数设置

在CSD-SI算法中，有8个参数:4个阈值参数用于光谱测试，2个尺寸参数用于局部搜索窗口，2个核尺寸参数用于中值滤波。本节首先对各参数的灵敏度进行了理论分析。然后详细描述参数设置规则。

2.3.1. 参数灵敏度的理论分析

T1是云检测中CI1指数的阈值参数，用来约束云在可见光波段和红外波段反射特征的相似性。如果T1设置太大，例如大于10，排除功率会减弱，可能会导致其他明亮的地表覆盖材料产生更多的异常值，增加佣金率。另一方面，如果T1设置得太小，例如小于0.1，则检测能力有限，会遗漏很多云，从而导致漏检率增加。
T2是云检测中CI2指数的阈值参数，用来约束云的亮度属性。由于云通常比其他陆地物质更亮，所以T2一般设置的值比较大。即使是不那么明亮的薄卷云，它们的反射率仍然比晴空像素高。一般来说，T2越小，探测到的云越多，但也会导致较大的调试误差。反之，T2越大，可以更好地筛选出其他明亮地表覆盖材料引起的异常值，但遗漏误差越大。
T3是云阴影检测中CSI指数的阈值参数，用来描述云阴影的黑暗属性。
T3通常被设定为一个相对较小的值。一般情况下，T3越大，探测到的云阴影越多，但会导致较大的调试错误，而T3越小，会错过很多云阴影，但会保证较低的调试错误。
T4是一个阈值参数，用于去除云影检测过程中水的影响，一般设置为一个比较小的值。同样，较小的T4可以更好地排除水分的影响，但也会导致更高的漏除率。
T5和T6是局部搜索窗口高度和宽度的两个大小参数，用于云/影匹配过程中控制空间搜索范围。如果将T5和T6设置为较小的值，将错过许多真实的云阴影。如果将它们设置为较大的值，则时间消耗将变得更大。因此，在实际操作中，应该在准确性和时间消耗之间进行权衡。
T7和T8是云和云阴影中值滤波器的两个核大小参数，用于控制噪声的平滑强度。一般来说，T7和T8的值越大，滤除噪声的效果越好，但会导致对云和云阴影的检测效果有所下降。

2.3.2. 参数设置规则

为了使CSD-SI算法在实际遥感应用中方便实用，以下给出各参数的推荐值和公式。在没有特别说明的情况下，min(·)、mean(·)和max(·)分别表示合成波段CI2和CSI的最小值、均值和最大值，或特定波段蓝带B_B的最小值、均值和最大值。虽然这些值与图像相关，但对于特定的图像，它们可以很容易地自动计算出来。这意味着，对于任何可见光和红外波段的光学遥感传感器，根据公式和推荐值可以很容易地得到这些值。因此，这些值不影响本文提出的CSD-SI算法的通用性和实用性。
对于第一个参数T1，一般设置为一个较小的值，例如1。T1的值从{0.01,0.1,1,10,100}的集合中选取，通过一些实验可以很容易地针对特定的图像场景进行微调。
参数T2总是设置为一个较大的值。考虑到各种地表覆盖物的反射特性，在实际应用中，T2可自适应确定为:

其中∈t₂(0,1)为调节系数，一般从{1/10,1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2}的集合中选取。
第三个参数T3一般设置为一个较小的值。同理，可以得到:

其中∈t₃(0,1)为调节系数，一般从{1/4,1/3,1/2,2/3,3/4}的集合中选取。
第四个参数T4一般设置为一个较小的值。在实践中，可以确定如下:

t₄∈(0,1)为调节系数，一般从{1/2,2/3,3/4,4/5,5/6}中选取
第5和第6个参数T5和T6是空间匹配过程中控制局部搜索窗口高度和宽度的大小参数。虽然每个场景都需要估计这两个参数，但确定过程并不复杂。一般来说，根据云与其相关阴影之间的相对距离，可以通过视觉估计粗略地确定这两个参数的大小。通过一些实验，这两个参数可以很容易地针对特定的图像场景进行微调。
第7和第8个参数T7和T8一般从{3,5,7,9,11}的集合中选取，可以通过光谱指数检测效能来粗略确定。然后，通过微调，可以很容易地得到最优值。
总的来说，本文提出的CSD-SI算法的参数比其他先进的云/阴影检测算法的参数要少。例如，ACCA算法有35个参数，包括32个带推荐值的固定参数和3个动态参数(Irish et al.， 2006)。此外，本文提出的CSD-SI算法参数可以根据公式和推荐值进行微调，得到最优值，这表明本文提出的CSD-SI算法在实际遥感应用中是有意义的。

2.4. CSD-SI:与其他算法的比较

为了说明本文提出的CSD-SI算法的性能，我们将平均云/阴影检测精度与其他五种著名的先进的云/阴影检测算法进行了比较:Landsat图像的ACCA算法(Irish et al.， 2006)和F-mask算法(Zhu和Woodcock, 2012)， Sentinel 2图像的基于云位移指数的改进F-mask (F-mask- cdi) (Frantz等人，2018)，GF-1图像的机器学习和多特征融合(MLMFF)方法(Bai et al.， 2016)和MFC (Li et al.， 2017)。检测精度的比较和分析见第4.2节。

3.实验测试:性能和分析

为全面评价CSD-SI算法的性能，选取了三种主要的光学遥感传感器，即多光谱、高分辨率和高光谱。针对每一种光学传感器，选取了一些应用最广泛、最具代表性的卫星传感器。在多光谱传感器方面，选取了3个Landsat系列传感器™、Enhanced Thematic Mapper Plus (ETM+)、Operational Land Imager (OLI)和Sentinel-2。对于高分辨率光学传感器，选择GF-1和IKONOS。高光谱传感器选用MODIS和Hyperion。相应选取不同地理环境、不同云类型、不同光谱和空间分辨率的8个不同遥感影像场景作为验证数据集。云量大约在10%到80%之间变化。空间分辨率从公里到米不等，光谱通道从4个到数百个不等。同时，采用最常用的精度评价指标对参考图进行定量评价，参考图由经验丰富的用户通过视觉检查手工绘制(Zhu and Woodcock, 2012;Zhu等人，2015;Li等人，2017;Bai et al.， 2016)。值得一提的是，每幅实验图像的所有云和云阴影像素都由有经验的用户仔细标注，可以保证定量评估的可靠性。
在下面的云计算中，将云计算和非云计算分为两类，给出了三种精度(总体精度(OA)、生产者精度(PA)和用户精度(UA))。对于云阴影，将云阴影和非云阴影分为两类，给出了两种精度(PA和UA)。这五种精度的公式如下(Zhu和Woodcock, 2012;邱等人，2017):

3.1. 案例研究:Landsat 5 TM图像

3.1.1.实验设置

图4所示。北京Landsat 5 TM图像场景(路径/行123/32)和提出的CSD-SI检测算法的云/阴影检测结果:(a)覆盖区域的地理位置。(b)参考地图。©北京伪彩色合成图(R: 4, G: 3, B: 2)。(d)合成云/影专题图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

2004年7月6日，利用Landsat 5 TM传感器获取的北京多光谱影像(路径/行123/32)进行了首次真实数据实验。北京位于中国北部，属于北半球中纬度地区(见图4(a))。图4(b)提供了该场景的云和云阴影的参考图。在这个场景中，既有山地，也有平原。图中云主要为不透明的厚云，主要分布在图的上部，这一点从图4©的伪彩色合成图中可以看出。这个场景对于云和云阴影的检测是比较有挑战性的，因为场景中有明显的扰动，包括明亮的水泥道路、岩石、黑暗的水、地形阴影等。本文提出的CSD-SI算法的参数设置为:T1=1,T2=1/3,T3=1/3,T4=5/6,T5=40,T6=50,T7=7,T8=3，并通过少量实验对其进行微调，使其达到最优。

3.1.2.结果

本文提出的CSD-SI算法检测图，即云检测图、云阴影检测图、复合云/阴影检测专题图，如图4(d) - (f)所示。为了更好地展示检测性能，本文提供了全图场景检测图和局部放大图。
从图4可以看出，本文提出的CSD-SI算法在该场景中取得了较好的性能。从整个场景图中可以观察到，云和云阴影的识别是比较准确的，其他明亮的材质造成的异常值和黑暗的地形阴影都被很好的过滤掉了。具体来说，无论是大的云群及其关联的云阴影，如在图像的右上角，还是小的孤立的云和云阴影，如在图像的中上部分，都能有效检测到。从局部放大的地图可以看出，从视觉评价来看，检测到的云及其关联的云阴影与伪彩色图像基本一致。此外，云及其相关阴影的形状和空间位置得到了较好的保持，边缘和内部结构细节得到了较好的描述，验证了CSD-SI算法的有效性。总的来说，几乎所有的潜在云层和云层阴影都能被有效检测到，这说明本文提出的CI和CSI指数是有效的。此外，借助空间匹配策略，去除无伴生云的伪云阴影，进一步细化云阴影检测结果。但是从局部放大的地图中可以发现，一些非常小的云被漏掉了，约占9.3%，在检测地图中仍然存在一些伪云阴影，约占14.51%。

3.2. 案例研究:landsat7 ETM+图像

3.2.1.实验设置

图5所示。本文提出的CSD-SI检测算法的太原Landsat 7 ETM+图像场景(路径/行125/34)和云/阴影检测结果:(a)覆盖区域的地理位置。(b)参考地图。©太原伪彩色合成图(R: 4, G: 3, B: 2)。(d)合成云影专题图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

第二组实验于2014年5月21日利用Landsat 7 ETM+传感器采集的太原市(路径/行125/34)多光谱图像进行。太原也位于中国北部，是一个典型的内陆城市(见图5(a))。同样，山地和平原地区都包含在场景中。云层主要是厚的不透明的云，主要集中在场景的右侧，大的云团被许多小的云包围，很难准确探测。参考图和合成假彩色图分别如图5(b)和©所示。该场景的参数设置为:T1=1,T2=1/3,T3=1/3,T4=3/4,T5=80,T6=70,T7=9,T8=5，通过一系列实验对其进行微调，使其达到最优。

3.2.2. 结果

如图5(d) - (f)所示。再次，提供了整个图像场景检测映射和局部缩放映射来演示检测性能。综合分析图5可以发现，这个场景的实验结果与第一次实验的结果是一致的，可以得出类似的结论。本文提出的CSD-SI算法在该场景中表现良好，可以有效地检测云层和云阴影，缓解光谱响应相似的其他陆地材料对该场景的干扰，从而获得较好的检测结果。例如，在图像的右中间部分，大的云团和周围孤立的小云团在检测结果中得到了很好的描述。从整个场景图中可以看出，检测到的云和云阴影与伪彩色图像基本一致，从局部放大的图中可以观察到，云和云阴影的形状和空间位置保持得比较好，边界和内部结构细节描述得比较好，除了少数云阴影遗漏外，约占19.47%。进一步验证了CSD-SI算法的有效性。

3.3. 案例研究:Landsat 8 OLI图像

3.3.1.实验设置

图6所示。本文提出的CSD-SI检测算法的昆明Landsat 8 OLI图像场景(路径/行129/42)和云/阴影检测结果:(a)覆盖区域的地理位置。(b)参考地图。©昆明伪彩色合成图(R: 5, G: 4, B: 3)。(d)合成云影专题图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

第三次真实数据实验采用2017年3月30日Landsat 8 OLI传感器获取的昆明市多光谱影像(路径/行:129/42)。昆明位于中国的南部(见图6(a))，属于典型的亚热带气候。与前两个场景不同，这个场景的情况要复杂得多，在不透明的厚云周围有很多薄云，云量超过80%，覆盖了图像的大部分区域，这进一步增加了云/阴影检测任务的挑战。
参考图和伪彩色合成图分别如图6(b)和©所示。本场景的参数设置为:T1=1,T2=1/10,T3=1/3,T4=1/2,T5=100,T6=150,T7=3,T8=3，通过多次实验，对参数进行微调，使其达到最优。

3.3.2. 结果

本文提出的CSD-SI算法的云/阴影检测图如图6(d) - (f)所示。从图6中可以看出，在厚厚的不透明的云层周围有一些非常薄的云没有被检测到，约占10.39%，尤其是图像的左上角部分，这在一定程度上限制了检测的性能。
然而，总的来说，本文提出的CSD-SI算法通过有效地识别大部分云及其相关阴影，并滤除噪声和干扰，仍然取得了可接受的检测性能。从整个场景图和局部放大图可以看出，云检测图和云阴影检测图的大部分部分与伪彩色图像基本一致，从视觉上评价，云和云阴影的边缘和细节得到了较好的维护，验证了所提算法的有效性。

3.4. 案例研究:Sentinel-2图像

3.4.1.实验设置

图7所示。杭州Sentinel-2图像场景和本文提出的CSD-SI检测算法的云/阴影检测结果:(a)被覆盖区域的地理位置。(b)参考地图。©获得的杭州Sentinel-2图像场景(R: 8, G: 3, B: 2)的伪彩色合成图像。(d)合成的云/影专题图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

第四次真实数据实验以杭州市上空Sentinel-2传感器获取的图像为实验对象(图7(a))。
杭州位于中国东部沿海地区，区内有大量河流。Sentinel-2是欧洲航天局于2015年发射的一种应用广泛的多光谱传感器，共有13个光谱通道。它有三种不同的高质量空间分辨率:10米、20米和60米。为了与之前的实验保持一致，我们选择了杭州的一个典型场景。在这个场景中，厚的，不透明的云和薄的云都包括在内，均匀地分布在整个图像中。波段1、2、3、8、11和12分别为BB、BG、BR、BNIR、−BSWIR 1和−BSWIR 2。为了统一空间分辨率，首先对波段1、2、3和8重新采样，使其具有与波段11和12相同的空间分辨率。当时的图像场景大小为×5490 5490，空间分辨率为20米。本文提出的CSD-SI算法的参数设置为:T1=1,T2=1/10,T3=3/4,T4=4/5,T5=20,T6=10,T7=3,T8=5。图7(b)和图7©分别提供了该场景的参考地图和伪彩色图像。

3.4.2. 结果

本文提出的CSD-SI算法的检测图如图7(d) - (f)所示。从图7可以看出，本文提出的CSD-SI算法对该场景有较好的检测性能。从整个场景图和局部放大图可以看出，CSD-SI算法有效地检测到大部分云及其关联的阴影，云和云阴影的边缘和细节保持得比较好。特别是图片的右下角，云的细节和相关的云阴影都得到了很好的维护。从云/影复合专题图中可以观察到，检测结果与伪彩色图像基本一致。但是也可以看到很多薄云被漏检，约占14.58%，尤其是图像的上部，这在一定程度上限制了检测性能。

3.5. 案例研究:GF-1图像

3.5.1.实验设置

图8所示。哈尔滨GF-1图像场景和提出的CSD-SI检测算法的云/阴影检测结果:(a)被覆盖区域的地理位置。(b)参考地图。©获得的哈尔滨GF-1图像场景(R: 4, G: 3, B: 2)的伪彩色合成图像。(d)合成的云/影专题图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)将©中红色方框标记的检测结果局部放大到(f)。(关于这个图例中颜色的解释，读者可以参考本文的网页版本。)

第五次实验利用中国航天科技集团公司研制的高空间分辨率对地观测卫星GF-1卫星WFV传感器采集的数据进行。2013年发射的GF-1卫星，拥有4个空间分辨率为8 m的多光谱波段和一个空间分辨率为2 m的全色波段。本实验选取了哈尔滨上空的典型场景，大小为×15726 15361。哈尔滨位于中国北部，属亚热带气候(见图8(a))。这个场景的云量比较大，主要集中在图像的右侧，有厚的、不透明的云，也有薄的云。此外，只有4个光谱波段可访问，而在红外波段，仅包括近红外波段，这导致可访问光谱信息相对有限，进一步增加了云/影检测的挑战性。波段1、2、3、4、4和4分别使用B_B、B_G、B_R、B_NIR、B_SWIR-1和B_SWIR-2。本文提出的CSD-SI算法的参数设置为:T1=1,T2=1/3,T3=2/3,T4=2/3,T5=40,T6=10,T7=9,T8=3。该3场景的参考地图和伪彩色图像分别如图8(b)和图8©所示

3.5.2. 结果

云和云阴影检测图如图8(d) - (f)所示。从图8可以看出，本文提出的CSD-SI算法在该场景下取得了很好的性能，尽管可获取的光谱信息非常有限。提出的CSD-SI算法有效地检测出大部分云及其相关阴影，同时去除异常值。在图像的右上方，大的云团和小的、孤立的云都被较好的检测到。从整个场景图可以看出，检测结果与伪彩色图像基本一致。
从局部放大的地图中，可以观察到云和云阴影的边缘和细节也相对较好地保持了。值得一提的是，在该场景中，厚云、不透明云和薄云都得到了很好的识别，这进一步验证了本文算法的有效性。

3.6. 案例研究:IKONOS图像

3.6.1.实验设置

图9所示。香港IKONOS图像场景和建议的CSD-SI检测算法的云/阴影检测结果:(a)覆盖区域的地理位置。(b)参考地图。©获得的香港IKONOS图像场景的伪彩色合成图像(R: 4, G: 3, B: 2)。(d)合成的云/影专题地图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

第六组实验以IKONOS传感器获取的另一幅高空间分辨率光学图像为实验对象，进一步验证本文提出的CSD-SI算法对四波段高分辨率光学遥感传感器的有效性。IKONOS卫星于1999年在美国发射，是第一颗商用高分辨率光学遥感卫星。IKONOS有一个空间分辨率为1 m的全色波段和四个空间分辨率为4 m的多光谱波段。在香港北部选取了一个典型的场景，大小为×1000 1000。香港位于中国南部沿海地区(见图9(a))。这一场景与之前的图像不同，云/阴影区域主要在河流上方。
因此，由于水和云阴影的高度相似，是云阴影检测的一个具有挑战性的场景。波段1、2、3、4、4分别为B_B、B_G、B_R、B_NIR、B_SWIR-1和B_SWIR-2。本文提出的CSD-SI算法的参数设置为:T1=1,T2=1/6,T3=1/2,T4=4/5,T5=150,T6=170,T7=7,T8=7。该场景的参考地图和伪彩色图像分别如图9(b)和图9©所示。

3.6.2. 结果

云和云阴影检测图如图9(d) - (f)所示。从图9可以看出，本文提出的CSD-SI算法性能较好，对该场景得到了较好的检测结果。从整个场景地图中可以看到，无论是厚的不透明的云，还是厚云周围的大部分薄云，它们的大部分关联阴影，包括投在水面上的部分，都能被较好的识别出来。然而，本文提出的CSD-SI算法遗漏了一些薄云和云阴影，分别约占7.33%和13.96%。从局部放大图可以看出，检测到的云和云阴影与伪彩色图像基本一致，边缘和细节保持较好。

3.7. 案例研究:MODIS图像

3.7.1.实验设置

图10所示。本文提出的CSD-SI检测算法的北京MODIS图像场景和云/阴影检测结果:(a)覆盖区域的地理位置。(b)参考地图。©获得的北京MODIS图像场景(R: 2, G: 1, B: 4)的伪彩色合成图。(d)合成的云/影专题图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

在第七次实际数据实验中，利用低空间分辨率的高光谱图像，评估了CSD-SI算法在高光谱传感器上的有效性。该图像由北京上空36个光谱通道的MODIS传感器获取。
MODIS是对地观测最重要的光学遥感传感器之一，其数据已被广泛应用于许多领域(Xiao et al.， 2005;Chen等人，2007)。MODIS提供了三种低空间分辨率:250米、500米和1000米。和之前的实验一样，我们选择了一个典型的场景，大小为×4080 2708，图像中很大一部分被云和云阴影污染，包括厚的、不透明的云和薄的云。波段3、4、1、2、6和7分别为B_B、B_G、B_R、B_NIR、B_SWIR-1和B_SWIR-2。本文提出的CSD-SI算法的参数设置为:T1=1,T2=1/10,T3=2/3,T4=1/2,T5=25,T6=20,T7=3,T8=3。该场景的参考地图如图10(b)所示，伪彩色图像如图10©所示。

3.7.2. 结果

检测图如图10(d) - (f)所示。从图10可以清楚地看出，本文提出的CSD-SI算法对于该场景有很好的检测性能。该算法有效地识别了大部分云及其相关阴影，并较好地保留了云的边缘和细节，无论是在整个场景地图上还是在局部缩放地图上都可以看到。从云/影复合专题图可以看出，检测结果与伪彩色图像基本一致。

3.8. 案例研究:Hyperion图像

3.8.1. 实验设置

图11所示。福州亥伯龙图像场景和提出的CSD-SI检测算法的云/阴影检测结果:(a)被覆盖区域的地理位置。(b)参考地图。©获得的福州海伯龙图像场景的伪彩色合成图像(R: 50, G: 32, B: 22)。(d)云/影复合专题地图。(e)云检测图。(f)云影探测图。(c-1) - (f-1)局部放大的©到(f)标记为红色方块的检测结果地图。(对于这个图例中对颜色的参考，读者可以参考本文的网页版本。)

为了进一步验证本文提出的CSD-SI算法对高光谱图像的有效性，高光谱图像是非常重要的遥感应用数据资源(Zhang et al.， 2016;He等人，2016;He et al.， 2017)，利用Hyperion传感器获得的另一个具有240个光谱通道、30 m中等分辨率的高光谱数据集进行第8次真实数据实验。亥伯龙神是一种重要的高光谱传感器由地球观测1号(eo - 1)卫星和在各领域的广泛应用。为了保持一致性，我们选取了一个福州城市的典型场景，尺寸为×3421 961。在这个场景中，云量比较高，云主要是厚的不透明的云，大部分区域被云和云阴影覆盖。波段14、22、32、50、146和204分别为B_B、B_G、B_R、B_NIR、B_SWIR-1和B_SWIR-2。本文提出的CSD-SI算法的参数设置为:T1=1,T2=1/10,T3=1/2,T4=3/4,T5=10,T6=30,T7=3,T8=3。图11(b)和图11©分别提供了该场景的参考地图和伪彩色图像。

3.8.2. 结果

云和云阴影检测图如图11(d) - (f)所示。从图中可以看出，本文提出的CSD-SI算法对于该场景有很好的检测性能。从整个场景图和局部放大图可以看出，检测结果与伪彩色图像基本一致，云和云阴影的边缘和细节保持较好。即使对于图像中部靠近大云的非常小的云，本文提出的CSD-SI算法也能很好地处理。

4.讨论

4.1.算法评价

案例研究通过大量实验分析了本文提出的CSD-SI算法的八个参数对检测性能的影响。为了排除不同光谱通道设置的传感器的影响，选取了5个不同传感器在不同云量、不同云类型和不同土地覆被情况下获得的5幅具有代表性的实验图像，分别为北京TM图像、杭州Sentinel-2图像、香港IKONOS图像、北京MODIS图像和福州Hyperion图像。由于Landsat ETM+和OLI传感器的光谱通道设置与TM传感器相似，GF-1传感器与IKONOS传感器非常相似，因此在分析中没有使用它们。
利用PA和UA分析了这些参数对CSD-SI算法性能的影响。需要注意的是，根据式(5)-(7)，参数T2、T3、T4实际上分别由T2、T3、T4决定。因此，为了方便起见，我们在实际中只需要分析t2、t3、t4的影响。图12所示为五种不同场景下各参数不同值的PA和UA变化趋势曲线。采用一种常见的策略，即在分析一个参数时，将其他参数固定在其最优值。
综合分析图12可以发现，T2、T3、T4参数比其他参数更敏感。T2、T3、T4分别为本文提出的用于云和云阴影检测的CI和CSI指标的阈值参数。但是，这些参数的最优值通常变化范围较窄，根据这些参数的推荐值进行微调，很容易确定某些图像场景的最优值。其他参数灵敏度较低，检测性能随这些参数的变化变化不大，或在一定范围内相对稳定。综上所述，本文提出的CSD-SI算法的所有8个参数都可以根据给定的公式和实际推荐值进行微调。因此，CSD-SI对于实际应用是有意义的。

4.2. CSD-SI算法的精度分析和时间消耗

图12所示。在5种不同场景下，本文提出的CSD-SI算法对各参数的生产者精度(PA)和用户精度(UA)，第1行、第2行、第3行、第4行、第5行、第6行、第7行分别表示参数T1、t2、t3、t4、T5和T6、T7、T8的灵敏度分析。(a)北京TM影像场景。(b)杭州Sentinel-2图像场景。©香港IKONOS影像场景。(d)北京MODIS影像场景。(e)福州亥伯龙影像场景。

在本节中，我们将提出的CSD-SI算法的平均检测精度与其他五种最先进的方法进行比较:ACCA (Irish等人，2006年)、F-mask (Zhu和Woodcock, 2012年)、F-mask- cdi (Frantz等人，2018年)、MLMFF (Bai等人，2016年)和MFC (Li等人，2017年)。结果列在表1中。
从表中可以看出，本文提出的CSD-SI算法虽然工作机制简单，但可以实现与其他五种最先进的方法相媲美的云和云阴影检测性能。对于Landsat系列图像，CSDSI实现了与最先进的F-mask算法相比具有竞争力的云和云阴影检测性能，并明显优于ACCA算法。在云计算中，本文提出的CSD-SI算法的平均PA值为91.83%，与F-mask算法的92.10%相当，优于ACCA算法的72.10%。此外，本文提出的CSD-SI算法的平均UA为97.61%，高于F-mask和ACCA算法的89.40%和91.8%。对于云层阴影，ACCA算法无法给出平均评价，F-mask算法的PA值为70%+，UA值为50%+。与两种算法相比，本文提出的CSD-SI算法性能更好，PA和UA均超过80%，验证了本文算法的有效性。
对于Sentinel 2图像，提出的CSD-SI算法取得了与最先进的F-maskCDI算法相当的性能。其中云的OA比F-mask-CDI高97.24%，UA比F-mask-CDI高98.32%，PA比F-mask-CDI低85.42%。对于云阴影，提出的CSD-SI的PA值为82.67%，UA值为81.37%，而F-mask-CDI是专门为云检测设计的，没有给出平均评价。
同样，对于GF-1图像，本文提出的CSD-SI算法与目前最先进的MLMFF和MFC算法相比，取得了相当的性能。其中云的OA为99.31%，PA和UA分别为98.23%和99.22%，均高于MLMFF和MFC算法的结果。对于云阴影，PA值达到79.99%，UA值达到91.64%，高于MFC算法得到的值。MLMFF是专门为云检测而设计的，因此无法给出云阴影的平均评估。值得一提的是，对于另一种高空间分辨率光学传感器IKONOS，本文提出的CSD-SI算法再次取得了较好的性能，进一步证实了该算法对于高分辨率光学传感器的有效性。对于IKONOS图像，云的OA为99.27%，PA为92.67%，UA为95.44%。同时，对于云阴影，PA达到86.04%，UA达到85.49%。
8种应用较广的光学遥感传感器对云和云影检测结果的平均定量评价结果如表1所示。从表中可以看出，本文提出的CSD-SI算法一般都能达到相当的OA、UA和PA值。其中云的PA均值为93.13%，UA均值为98.13%，云的阴影PA均值为84.33%，UA均值为89.12%，均处于较高水平。综上所述，本文提出的CSD-SI算法是一种有效的多源云和云阴影检测方法，适用于大多数广泛使用的可见光和红外光谱通道光学传感器。从这个角度来看，它对于实际的遥感应用是有意义的。
现在我们来分析提出的CSD-SI算法的时间消耗。本文提出的CSD-SI算法由于工作机制简单，耗时较低。CSDSI主要包括两个步骤:光谱指数检验和空间匹配细化。实验程序在个人计算机上用MATLAB编写，CPU为Intel酷睿i7-6700HU，内存为12gb。所有8种光学传感器的详细运行时间，包括光谱测试时间、空间匹配时间和总时间，列于表2。
由表2可以看出，第一步光谱指数检验非常快，整个大图像场景只需要几秒钟，而第二步空间匹配细化则比较耗时。根据图像大小和本地搜索窗口的大小，此步骤的时间从几分钟到几十分钟不等。总之，本文提出的CSD-SI算法由于机制简单，耗时较低。此外，对于实际应用，本文提出的CSD-SI算法可以在c++代码中使用并行计算技术实现，从而加快了计算速度，大大减少了运行时间。

4.3. 绩效评估:案例研究

在本节中，我们对本文提出的CSD-SI算法的性能进行了综合分析，并对不同案例的检测性能进行了定性和定量的比较，对8个实验的定量评价如表3所示。
对于前两个多光谱图像场景，即Landsat 5 TM北京图像场景和Landsat 7 ETM+太原图像场景，其中云主要为厚而不透明的云，本文提出的CSD-SI算法性能较好，取得了较好的检测结果。由于提出的CI和CSI指数和空间匹配策略的有效性，该算法能够有效地检测到大部分云层和云层阴影，并缓解其他光谱响应相似的陆地物质的干扰。其中，对于云，北京TM影像和太原ETM+影像的PA值分别为90.70%和95.18%，UA值分别为96.96%和97.06%，遗漏率和佣金率都较低。对于云阴影，本文提出的CSD-SI算法对北京TM图像的PA值为90.31%，UA值为85.49%，对太原ETM+图像的PA值为80.53%，UA值为96.98%，也可以认为是较好的结果。
与前两种多光谱图像场景相比，Landsat 8 OLI昆明图像场景和Sentinel-2杭州图像场景的云检测精度相对较低。由于本文提出的CI指数对非常薄的云的检测能力有限，这两种场景中厚厚的不透明的云周围有很多薄的云没有被有效检测到。对于云，本文提出的CSD-SI算法对昆明OLI图像和杭州Sentinel-2图像的PA值分别为89.61%和85.42%。云的UA值再次处于较高水平，分别为99.07%和98.32%，这意味着其他陆地材料的像素很少被误分类为云。对于云阴影，与前两幅实验图像相比，检测精度较低，因为地形阴影造成的严重干扰使得云阴影检测更具挑战性。其中，本文提出的CSD-SI算法对昆明OLI图像和杭州Sentinel-2图像的PA值分别为78.38%和82.67%，UA值分别为94.60%和81.37%。总的来说，这两个场景的云和云阴影的检测精度仍然可以认为是可以接受的。
接下来，我们将利用哈尔滨GF-1 WFV影像场景和香港IKONOS影像场景这两个四波段高分辨率光学遥感影像场景进行实验。可以发现，本文提出的CSD-SI算法在可获取光谱信息非常有限的情况下，对这两种图像场景再次取得了良好的检测结果，检测精度相对较高。对于云，大多数厚的、不透明的云及其周围的薄云都能被准确地检测到，干扰被很好地消除，这进一步说明了本文提出的CI指数的有效性。同时，云阴影也被很好地检测出来。值得一提的是，在香港IKONOS图像场景中，大部分的云阴影都投射在河流上，由于水和云阴影的光谱特征相似，使得云阴影检测任务非常具有挑战性。从图中可以看出，大部分云影与水体分离较好，这进一步说明了本文提出的CSI指数和空间匹配策略的有效性。其中，CSD-SI算法对哈尔滨GF-1 WFV图像的PA和UA值为云的98.23%和99.22%，云影的79.99%和91.64%，香港IKONOS图像的PA和UA值为云的92.67%和95.44%，云的PA和UA值为86.04%和85.49%。综上所述，本文提出的CSD-SI算法也可以有效应用于四波段高分辨率光学遥感传感器。
最后在北京MODIS图像场景和福州Hyperion图像场景的高光谱传感器图像场景上进行的两次实验发现，本文提出的CSD-SI算法再次表现良好，通过准确检测大部分云和云阴影并有效去除干扰，取得了相对较好的性能。具体到云，北京MODIS图像场景和福州Hyperion图像场景的PA值分别为95.14%和98.07%，UA值分别为99.56%和99.67%，在实际应用中处于较高水平。对于云影，北京MODIS图像场景和福州Hyperion图像场景的PA值分别为80.14%和96.54%，UA值分别为88.57%和88.79%。综上所述，这两个实验的结果表明，本文提出的CSD-SI算法也可以有效地应用于高光谱传感器。
综合分析8个实验结果，本文提出的CSD-SI算法可以被认为是各种广泛应用的可见光和红外波段光学遥感传感器的统一方法，包括多光谱和高光谱传感器，以及低分辨率和高分辨率传感器，证明了其有效性和通用性。从这个角度来看，提出的CSD-SI算法具有实际的遥感应用意义。

5.结论

本文针对具有可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的云/阴影统一检测算法(CSD-SI)。根据云层和云层阴影的光谱反射特征，提出了CI和CSI指数分别表示潜在云层和云层阴影。考虑到云及其关联阴影在空间上的共存关系，进一步利用空间匹配策略对云阴影检测结果进行细化，可以有效地筛选出地形阴影和其他深色陆地物质引起的异常点。利用不同地理环境下不同云类型和云量的8个不同类型的多/高光谱光学遥感图像验证了CSD-SI算法的有效性。结果表明，本文提出的CSD-SI算法确实是一种统一的云/阴影检测方法，适用于各种类型的可见光和红外光谱通道的光学传感器，包括不同空间分辨率水平的多光谱和高光谱传感器。
但是，本文提出的算法仍有一定的改进空间。对于薄卷云，提出的CSDSI算法性能有限。此外，将提出的CSD-SI算法与几何方法相结合，可以进一步提高云阴影检测能力，更好地将云阴影与水分离。所有这些问题都将在今后的工作中得到解决。

ISPRS2018/云检测：Cloud/shadow detection based on spectral indices for multi/hyp基于光谱指数的多/高光谱光学遥感成像仪云/影检测相关推荐

1. RSE2021/云检测：Automatic cloud and cloud shadow detection in tropical areas用于PlanetScope热带地区自动云和云阴影检测

   RSE2021/云检测:Automatic cloud and cloud shadow detection in tropical areas for PlanetScope satellite i ...

2. python数据库开发 dga_DGA detection based on Deep Learning (CNN and GRU) (基于深度学习的DGA检测)...

   DGA-detection DGA detection based on Deep Learning (CNN and GRU) (基于深度学习的DGA检测) This project impleme ...

3. RSE2020/云检测：基于弱监督深度学习的高分辨率遥感图像精确云检测

   RSE2020/云检测:Accurate cloud detection in high-resolution remote sensing imagery by weakly supervised ...

4. 论文阅读＞烟雾检测：Smoke detection based on imageprocessing by using grey and transparency features

   文章目录 通过利用灰度和透明度特征基于图像处理的烟雾检测 摘要 关键词 1 介绍 2 颜色模型和烟雾特征分析 3 系统 3.1 烟雾检测算法 3.1.1 视频帧转换 3.1.2 运动检测和颜色变换 3 ...

5. 基于光学遥感图像的舰船目标检测技术研究——尹雅

   论文阅读笔记 摘要 针对光学遥感图像,围绕舰船目标检测的一般处理流程, 综述了目前各环节采用的主要处理方法, 分析比较了各方法的优劣, 指出了各环节面临的瓶颈问题, 阐述了自然图像上的检测方法应用于舰 ...

6. TGRS2022/云检测：Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment

   TGRS2022/云检测:Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment ...

7. 显著性检测论文解析2——Visual Saliency Detection Based on Bayesian Model, Yulin Xie, ICIP2011

   最近感觉玩的差不多了,现在准备好好学习了,所以就又开始随便写点,就当是自己学习的笔记.这次要说的的是卢湖川的Visual Saliency Detection Based on Bayesian Mo ...

8. 【论文阅读】【道路检测】《Road Damage Detection Based on Unsupervised Disparity Map Segmentation》

   <Road Damage Detection Based on Unsupervised Disparity Map Segmentation> 刘明教授2020TITS文章 最近在做综述 ...

9. ECCV 2020 3D点云 Point Cloud 文章汇总

   一.点云文章资源 近年来,对于点云处理的研究越来越火热.Github上面有一个工程,汇总了从2017年以来各大会议上点云论文,awesome-point-cloud-analysis ,本文作者之前整 ...

最新文章

1. 【增强】批次特性增强案例
2. linux不允许root用户登录图形界面的解决办法
3. mmsegmentation的demo测试-模型加载
4. jquery 鼠标事件汇总
5. 【初识】汽车诊断协议 UDS / DoIP
6. 时间序列计量经济学模型
7. 支持VS2017的vax插件VA_X_Setup2210
8. Cisco交换机链路聚合配置
9. Tbase 源码 （六）
10. win7 IE11下，无法通过Windows更新为其他微软产品获取更新
11. Word文字处理技巧
12. 笔记本电脑无线网络连接不上怎么办
13. 单片机定时器一1ms12MHz_51单片机CPU结构各部件的原理详细分析
14. 基于Redis的分布式链家二手房房源数据爬虫系统 毕业设计
15. Leetcode刷题114. 二叉树展开为链表
16. Rokid Pebble若琪月石AI音响支持root
17. NO.15 不得不说的以太坊跟ICO
18. win10无法安装完成若要在此计算机上,windows10无法完成安装怎么解决_win10提示windows无法完成安装的解决教程...
19. 大学生对计算机的认识调查报告,大学生电脑调查报告
20. 关于中英文语料的获取途径总结

热门文章

1. WY C语言入门（5）
2. c语言+连加2的指令,c语言计算1+2+……+n的累加求和 用while和for俩种方法？
3. yum 私有仓库搭建
4. 三国志战略版狼盟和鸿蒙,三国志战略版俘虏有什么用？俘虏作用介绍[多图]
5. Fastdfs 卸载
6. 微信号以及手机号的正则表达式
7. 计算机上的网络适配器,电脑的网络适配器是什么意思？
8. 判断两个圆柱体是否相交
9. 李刚 疯狂Python讲义 读书笔记
10. 苹果手机拷贝功能 php,苹果iPhone上的“通用剪贴板”到底是什么？