CN103927759A - 一种航空图像自动云检测方法 - Google Patents

Abstract

本发明公开了一种航空图像自动云检测方法。本发明通过对输入的航空图像分别构建比值图和多尺度细节图来有效放大区分云区和非云区的特性差异，并基于两种不同的特性标准分别得到云检测结果，然后将得到的结果相结合而得到更加准确的云检测结果，本方法加入了云区的后处理操作，使得最终得到的云检测结果在区域连通性和半透明云层边界上更加真实可靠；本发明提出的云检测方法不但准确率高，而且效率高。

Description

一种航空图像自动云检测方法

技术领域

本发明属图像处理技术领域，尤其涉及一种航空图像自动云检测方法。

背景技术

随着航空技术的高速发展，航拍技术已经进入了一个能快速及时地获得高分辨航空图像的新阶段。这些丰富的航空图像被广泛地应用在农业工程、气象监控、环境保护和资源勘探等多个领域，有着非常重要的应用价值。由于云层覆盖了超过50％的地表，航空图像中经常会包含云区。而云检测通常能为许多重要的应用提供线索，例如，水溶胶粒子检索，气候监控和气候预测，并能为很多航空图像操作提供预处理，如，目标识别，图像检索和图像分类。因此，航空图像的云检测是一项非常有意义的工作。

针对多光谱遥感数据，人们已经提出了多种云检测方法。但对于单幅光学航空图像的云检测则研究甚少，至今仍没有一种有效的航空图像云检测方法被提出。可以预见的是，单幅光学航空图像的云检测是困难的，因为其本质是一个图像分割问题。而图像分割现在仍然是计算机图像学和计算机视觉领域中的一个永久难题，如何快速、准确、有效地从输入图像中分割出目标物体仍然异常困难。传统的自动图像分割方法通常无法分辨云区和拥有高亮度值的地物，而交互式图像分割虽然能够通过得到不错的结果，但是需要用户提供大量的交互，这也使得交互式图像分割方法通常都无法直接应用在实际的航空图像云检测平台上。而为了满足实际云检测系统的需求，当前迫切需要一种集自动、快速、高准确率等特性为一体的航空图像云检测方法。

发明内容

本发明为了解决上述的技术问题，提出了一种航空图像自动云检测方法。

本发明的技术方案是一种航空图像自动云检测方法，其特征在于，包括下述步骤：

步骤1，对输入的含云航空图像I构建一张比值图W′；

步骤2，将比值图W′中所有像素点的数值缩放到[0,255]，然后运用最佳阈值选择方法来获取一个最佳全局二值分割阈值T^Optimal，并利用此阈值将图像划分为非云区和云区；

步骤3，对输入的航空图像I构建多尺度细节图D，然后对细节图D进行二值化，得到基于区域纹理细节特性而判定的非云区和云区；

步骤4，对步骤2和步骤3中检测出的为云的区域进行求交集操作，得到更加准确的云检测结果G(x,y)＝C(x,y)∩R(x,y)，当C(x,y)＝true和R(x,y)＝true同时成立；

步骤5，对步骤4中得到的云检测结果G进行云区后处理，得到最终云检测结果。

根据权利要求1所述的一种航空图像自动云检测方法，其特征在于：所述的步骤1中还包括如下步骤：

步骤1.1，将输入的航空图像I由RGB色彩空间转换到HSI色彩空间，然后利用被归一化的Hue分量和Intensity分量按如下方式得到比值图W；

$W(x,y)=\frac{\mathrm{Intensity}(x,y)+\mathrm{\ϵ}}{\mathrm{Hue}(x,y)+\mathrm{\ϵ}}$

其中(x,y)为图像中像素点的坐标，ε为放大因子；

步骤1.2，获得比值图W后，对其继续执行双边滤波操作，以得到噪声水平受到抑制的比值图W′。

所述的步骤2中，步骤2包括如下子步骤：

步骤2.1，基于数值范围调整后的比值图W′，最佳阈值选择算法按如下方式来获取T^Optimal

$T^{\mathrm{Optimal}}=\left\{\begin{array}{c}100,T^{\&prime;}<100\\ 150,T^{\&prime;}>150\\ T^{\&prime;},\mathrm{otherwise}\end{array}\right.$

其中T′是直接对比值图W′利用最大类间方差法后得到的全局阈值

步骤2.2，结合比值图W′和最佳全局分割阈值T^Optimal，可将图像划分为非云区和可能为云区域

$C(x,y)=\left\{\begin{array}{c}\mathrm{ture},W^{\&prime;}(x,y)>=T^{\mathrm{Optimal}}\\ \mathrm{false},\mathrm{otherwise}\end{array}\right.$

其中C(x,y)＝true表示原始图像中(x,y)位置的像素点被认为云区，反之则被认为是非云区。

所述的步骤3包括如下子步骤：

步骤3.1，将输入的彩色航空图像转为灰度图像I′；设多尺度双边分解的初始层I₀′＝I′，则基于I₀′利用双边滤波构建M层轮廓图，其中当前要求的轮廓图I_j′为对前一层轮廓图I_j′_-1执行双边滤波后的结果图(j＝1,2,...,M)，之后结合各层的轮廓图像构建M层细节图，对于任一细节图D_j有D_j＝I_j′_-1-I_j′，其中j＝1,2,...,M；

步骤3.2，基于已有的M层细节图，按照如下方式计算一张多尺度细节图U,

$U(x,y)=\frac{1}{\mathrm{\&lambda;}(x,y)}\&CenterDot;\underset{j=2}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j(x,y)\&CenterDot;D_j(x,y)$

其中为权值归一化因子，ω_j(x,y)为像素位置(x,y)在第j层细节图对应的融合权值；

步骤3.3，对求得的多尺度细节图U进行形态学膨胀，使用最大类间方差法(OTSU)计算全局阈值T^Detail，基于T^Detail将图像划分为非云区和云区；

$R(x,y)=\left\{\begin{array}{c}\mathrm{ture},U(x,y)<T^{\mathrm{Detail}}\\ \mathrm{false},\mathrm{otherwise}\end{array}\right.$

其中R(x,y)＝true表示原始图像中(x,y)位置的像素点为云区，反之则被认为是非云区。

所述的步骤5中包括以下步骤：

步骤5.1，对云检测结果G中被标记为云的区域提取所有连通分量P_j为其中某一连通分量，然后计算连通分量P_j中像素点个数pNum(P_j)，若某一连通分量P_j中像素点个数pNum(P_j)少于阈值γ，则将该区域重新判定为非云区；否，则进入步骤5.2；

步骤5.2，经过步骤5.1，剩余的连通分量被标记为进一步修补其内部可能存在的所有孔洞，得到图像G′，L为此时仍被标记为云区的连通分量个数；

步骤5.3，将图像G′作为输入图像，以原始航空图像I为引导图像执行引导性滤波，实现对半透明云层边界的检测，得到最终云检测结果；

假设引导性滤波的输出图像G′和引导图像I在任一像素k为中心的局部方形窗口Ω_k内，存在如下局部线性模型：

$f(x,y)={\mathrm{\&alpha;}}_{k}I(x,y)+{\mathrm{\&beta;}}_k,\&ForAll;(x,y)\&Element;{\mathrm{\&Omega;}}_k$

其中，k代表方形窗口的中心像素，α_k和β_k为窗口Ω_k对应的常数线性因子，(x,y)对应以k为中心的窗口Ω_k内的像素点；具体地，对于线性因子α_k和β_k有

$\begin{array}{c}{\mathrm{\&alpha;}}_k=\frac{\frac{1}{\left|{\mathrm{\&Omega;}}_k\right|}{\mathrm{\&Sigma;}}_{(x,y)\&Element;{\mathrm{\&Omega;}}_k}I(x,y)G^{\&prime;}(x,y)-{\mathrm{\&mu;}}_k{\stackrel{\&OverBar;}{G^{\&prime;}}}_k}{{\mathrm{\&delta;}}_k^2+\&PartialD;}\\ {\mathrm{\&beta;}}_k={\stackrel{\&OverBar;}{G^{\&prime;}}}_k-{\mathrm{\&alpha;}}_k{\mathrm{\&beta;}}_k\end{array}$

其中，μ_k和分别表示引导图像I在窗口Ω_k内的像素均值和方差，为一个常数，|Ω_k|为窗口Ω_k的总像素点个数，为输入图像G′在窗口Ω_k内的像素均值，最终的输出图像定义为：

$f(x,y)={\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_{k}I(x,y)+{\stackrel{\&OverBar;}{\mathrm{\&beta;}}}_k$

其中，和分别表示所有包含像素点(x,y)的窗口线性因子α_k和β_k的均值；若像素点(x,y)满足f(x,y)≥t，t为分割阈值，则该像素点被判定为云区，反之则被判定为非云区。

所述的步骤3中，对细节图D使用最大类间方差法进行二值化。

所述的步骤1.1中，ε设置为1.0。

所述的步骤3.2中，，这里的*表示求卷积操作，为空间高斯核，δ_d空间高斯核对应的空间标准差，δ_d设置为8。

所述的步骤5.1中阈值γ设置为100。

所述的步骤5.3中，方形窗口Ω_k的半径设置为60个像素距离，设置为10^-6，阈值t设置为60个灰度级。

附图说明

图1为本发明的流程图；

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

参照图1，本发明的流程图，一种航空图像自动云检测方法，包括下述步骤：

步骤1，对输入的含云航空图像I构建一张噪声水平较低且云区和非云区像素点的强度值差异被拉大的比值图W′。具体地，对任一输入航空图像I构建目标比值图W′的实现包括如下子步骤：

步骤1.1，将输入的航空图像I由RGB(Red，Green，Blue)色彩空间转换到HSI(Hue,Saturation,Intensity)色彩空间，然后利用被归一化的Hue分量和Intensity分量按如下方式得到比值图W

$W(x,y)=\frac{\mathrm{Intensity}(x,y)+\mathrm{\&epsiv;}}{\mathrm{Hue}(x,y)+\mathrm{\&epsiv;}}$

其中(x,y)为图像中像素点的坐标，ε为一个放大因子，实际中常被设置为1.0；

步骤1.2，获得比值图W后，对其继续执行双边滤波操作，以得到噪声水平受到抑制的比值图W′；

步骤2，将比值图W′中所有像素点的数值缩放到[0,255]，然后运用最佳阈值选择方法来获取一个最佳全局二值分割阈值T^Optimal，并利用此阈值将图像划分为非云区和可能为云的两类区域。实际操作中步骤2的实现包括如下子步骤：

步骤2.1，基于数值范围调整后的比值图W′，最佳阈值选择算法按如下方式来获取T^Optimal

$T^{\mathrm{Optimal}}=\left\{\begin{array}{c}100,T^{\&prime;}<100\\ 150,T^{\&prime;}>150\\ T^{\&prime;},\mathrm{otherwise}\end{array}\right.$

其中T′为直接对比值图W′利用最大类间方差法(OTSU)后得到的全局阈值；

步骤2.2，结合比值图W′和最佳全局分割阈值T^Optimal，可将图像划分为非云区和可能为云的两类区域

$C(x,y)=\left\{\begin{array}{c}\mathrm{ture},W^{\&prime;}(x,y)>=T^{\mathrm{Optimal}}\\ \mathrm{false},\mathrm{otherwise}\end{array}\right.$

其中C(x,y)＝true表示原始图像中(x,y)位置的像素点可能为云区，反之则被认为是非云区；

步骤3，对输入的航空图像I构建多尺度细节图D，然后对细节图使用最大类间方差法求得全局阈值并进行二值分割，得到基于区域纹理细节特性而判定的非云区和可能为云的两类区域。步骤3的实现包括如下子步骤：

步骤3.1，将输入的彩色航空图像I转为灰度图像I′，设多尺度双边分解的初始层I₀′＝I′，则基于I₀′利用双边滤波可以构建M层轮廓图，其中当前要求的轮廓图I_j′为对前一层轮廓图I_j′_-1执行双边滤波后的结果图(j＝1,2,...,M)，之后结合各层的轮廓图像可以构建M层细节图，对于任一细节图D_j有D_j＝I_j′_-1-I_j′，其中j＝1,2,...,M。在实际使用双边滤波构建M层轮廓图时，为得到空间平滑逐渐增大的效果，空间标准差通常被设置为乘2递增，而为了确保强边在每一层轮廓图中都得到保留，灰度级标准差则被设置为乘1/2递减。实际操作过程中初始空间标准差常被设置为2.0，灰度级标准差常被设置为25.0，M常被设置为5；由于多尺度双边分解的过程中涉及到多次执行双边滤波，因而实际中选用的是时间复杂度为O(N)的近似双边滤波来保证算法的执行效率；

步骤3.2，基于已有的M层细节图，按照如下加权求和方式融合得到一张多尺度细节图U,

$U(x,y)=\frac{1}{\mathrm{\&lambda;}(x,y)}\&CenterDot;\underset{j=2}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j(x,y)\&CenterDot;D_j(x,y)$

其中为权值归一化因子，ω_j(x,y)为像素位置(x,y)在第j层细节图D_j对应的融合权值，实际计算时有，这里的*表示求卷积操作，为空间高斯核，δ_d空间高斯核对应的空间标准差，实际计算中δ_d常被设置为8。由于实际中第一层细节图D1可能存在较多噪声，因而在融合的时候通常都舍弃第一层的细节图而从第二层开始融合；

步骤3.3，对求得的多尺度细节图U使用7x7的结构元(椭圆或者矩形)进行迭代(2-3次)形态学膨胀，然后使用最大类间方差法计算全局阈值T^Detail，基于T^Detail可将图像划分为非云区和可能为云的两类区域

$R(x,y)=\left\{\begin{array}{c}\mathrm{ture},U(x,y)<T^{\mathrm{Detail}}\\ \mathrm{false},\mathrm{otherwise}\end{array}\right.$

其中R(x,y)＝true表示原始图像中(x,y)位置的像素点为云区，反之则被认为是非云区；

步骤4，对步骤2和步骤3中检测出的为云的区域进行求交集操作，得到更加准确的云检测结果G(x,y)＝C(x,y)∩R(x,y)，即当且仅当C(x,y)＝true和R(x,y)＝true同时成立时，原始图像中像素点(x,y)才被判定为云区像素点(G(x,y)＝true)，而不满足上述条件的像素点则被判定为非云区像素点(G(x,y)＝false)；

步骤5，对步骤4中得到的二值云检测结果G进行云区后处理，具体包括以下步骤：

步骤5.1，对云检测结果G中被标记为云的区域提取所有连通分量，其中P_j为其中某一连通分量，Num为连通分量个数，然后将尺寸过小的连通分量从云区中排除。实际操作中常通过计算连通分量P_j中像素点个数pNum(P_j)，如果某一连通分量P_j中像素点个数pNum(P_j)少于阈值γ，γ为100，则将该区域重新判定为非云区；

步骤5.2，经过步骤5.1，剩余的连通分量被标记为，L为此时仍被标记为云区的连通分量个数。由于这些连通分量内部可能存在孔洞，而实际云层内部极少出现空白孔洞。因此，对于所有的连通分量，进一步修补其内部可能存在的所有孔洞；

步骤5.3，将图像G′运用引导性滤波获得边界羽化的结果，得到边界更加准确的最终云检测结果；由于实际云区边界可能存在半透明的云层，而这些半透明的云层通常都无法经由以上步骤有效判定。因此，最后可将G′作为输入图像，以原始航空图像I为引导图像执行引导性滤波来实现对半透明云层边界的检测，以得到边界更加真实准确的最终云检测结果。假设引导性滤波的输出图像G′和引导图像I在任一像素k为中心的局部方形窗口Ω_k内存在如下局部线性模型：

$f(x,y)={\mathrm{\&alpha;}}_{k}I(x,y)+{\mathrm{\&beta;}}_k,\&ForAll;(x,y)\&Element;{\mathrm{\&Omega;}}_k$

其中k代表方形窗口的中心像素，α_k和β_k为窗口Ω_k对应的常数线性因子，(x,y)对应以k为中心的窗口Ω_k内的像素点。具体地，对于线性因子α_k和β_k有

$\begin{array}{c}{\mathrm{\&alpha;}}_k=\frac{\frac{1}{\left|{\mathrm{\&Omega;}}_k\right|}{\mathrm{\&Sigma;}}_{(x,y)\&Element;{\mathrm{\&Omega;}}_k}I(x,y)G^{\&prime;}(x,y)-{\mathrm{\&mu;}}_k{\stackrel{\&OverBar;}{G^{\&prime;}}}_k}{{\mathrm{\&delta;}}_k^2+\&PartialD;}\\ {\mathrm{\&beta;}}_k={\stackrel{\&OverBar;}{G^{\&prime;}}}_k-{\mathrm{\&alpha;}}_k{\mathrm{\&beta;}}_k\end{array}$

其中μ_k和分别表示引导图像I在窗口Ω_k内的像素均值和方差，为一个常数，|Ω_k|为窗口Ω_k的总像素点个数，为输入图像G′在窗口Ω_k内的像素均值。由于任一像素点可能被多个局部窗口所包含，因而最终的输出图像可以定义为

$f(x,y)={\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_{k}I(x,y)+{\stackrel{\&OverBar;}{\mathrm{\&beta;}}}_k$

其中和分别表示所有包含像素点(x,y)的窗口线性因子α_k和β_k的均值。在实际执行引导性滤波时，方形窗口Ω_k的半径通常被设置为60像素距离，常被设置为10^-6。由于引导性滤波的执行过程中涉及到多次图像内矩形区域的求和操作，实际应用中常使用积分图像技术来提高其执行效率。鉴于引导性滤波获得的结果图不为二值图，因而在得到其滤波输出结果后常会附加一个分割阈值为t的二值化操作，即若像素点(x,y)满足f(x,y)≥t，则该像素点被判定为云区，反之则被判定为非云区。实际中，阈值t设定较大则最终的云检测结果中检测出的半透明云区会相对较少，而设定的较小则会检测出较多的半透明云区，但是也有可能会导致一些非云区被误判为云区。为了获得一个较为准确的结果，实际中阈值t常被设定为60个灰度级。

Claims (10)

1.一种航空图像自动云检测方法，其特征在于，包括下述步骤：

步骤1，对输入的含云航空图像I构建一张比值图W′；

步骤2，将比值图W′中所有像素点的数值缩放到[0,255]，然后运用最佳阈值选择方法来获取一个最佳全局二值分割阈值T^Optimal，并利用此阈值将图像划分为非云区和云区；

步骤3，对输入的航空图像I构建多尺度细节图D，然后对细节图D进行二值化，得到基于区域纹理细节特性而判定的非云区和云区；

步骤4，对步骤2和步骤3中检测出的为云的区域进行求交集操作，得到更加准确的云检测结果G(x,y)＝C(x,y)∩R(x,y)，当C(x,y)＝true和R(x,y)＝true同时成立；

步骤5，对步骤4中得到的云检测结果G进行云区后处理，得到最终云检测结果。

2.根据权利要求1所述的一种航空图像自动云检测方法，其特征在于：所述的步骤1中还包括如下步骤：

步骤1.1，将输入的航空图像I由RGB色彩空间转换到HSI色彩空间，然后利用被归一化的Hue分量和Intensity分量按如下方式得到比值图W；

$W(x,y)=\frac{\mathrm{Intensity}(x,y)+\mathrm{\&epsiv;}}{\mathrm{Hue}(x,y)+\mathrm{\&epsiv;}}$

其中(x,y)为图像中像素点的坐标，ε为放大因子；

步骤1.2，获得比值图W后，对其继续执行双边滤波操作，以得到噪声水平受到抑制的比值图W′。

3.根据权利要求1所述的一种航空图像自动云检测方法，其特征在于：所述的步骤2中，步骤2包括如下子步骤：

步骤2.1，基于数值范围调整后的比值图W′，最佳阈值选择算法按如下方式来获取T^Optimal

$T^{\mathrm{Optimal}}=\left\{\begin{array}{c}100,T^{\&prime;}<100\\ 150,T^{\&prime;}>150\\ T^{\&prime;},\mathrm{otherwise}\end{array}\right.$

其中T′是直接对比值图W′利用最大类间方差法后得到的全局阈值

步骤2.2，结合比值图W′和最佳全局分割阈值T^Optimal，将图像划分为非云区和可能为云区域

$C(x,y)=\left\{\begin{array}{c}\mathrm{ture},W^{\&prime;}(x,y)>=T^{\mathrm{Optimal}}\\ \mathrm{false},\mathrm{otherwise}\end{array}\right.$

其中C(x,y)＝true表示原始图像中(x,y)位置的像素点被认为云区，反之则被认为是非云区。

4.根据权利要求1所述的一种航空图像自动云检测方法，其特征在于：所述的步骤3包括如下子步骤：

步骤3.1，将输入的彩色航空图像转为灰度图像I′；设多尺度双边分解的初始层I₀′＝I′，则基于I₀′利用双边滤波构建M层轮廓图，其中当前要求的轮廓图I_j′为对前一层轮廓图I_j′_-1执行双边滤波后的结果图(j＝1,2,...,M)，之后结合各层的轮廓图像构建M层细节图，对于任一细节图D_j有D_j＝I_j′_-1-I_j′，其中j＝1,2,...,M；

步骤3.2，基于已有的M层细节图，按照如下方式计算一张多尺度细节图U,

$U(x,y)=\frac{1}{\mathrm{\&lambda;}(x,y)}\&CenterDot;\underset{j=2}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j(x,y)\&CenterDot;D_j(x,y)$

其中为权值归一化因子，ω_j(x,y)为像素位置(x,y)在第j层细节图对应的融合权值；

步骤3.3，对求得的多尺度细节图U进行形态学膨胀，使用最大类间方差法(OTSU)计算全局阈值T^Detail，基于T^Detail将图像划分为非云区和云区；

$R(x,y)=\left\{\begin{array}{c}\mathrm{ture},U(x,y)<T^{\mathrm{Detail}}\\ \mathrm{false},\mathrm{otherwise}\end{array}\right.$

其中R(x,y)＝true表示原始图像中(x,y)位置的像素点为云区，反之则被认为是非云区。

5.根据权利要求1所述的一种航空图像自动云检测方法，其特征在于：所述的步骤5中包括以下步骤：

步骤5.1，对云检测结果G中被标记为云的区域提取所有连通分量，P_j为其中某一连通分量，然后计算连通分量P_j中像素点个数pNum(P_j)，若某一连通分量P_j中像素点个数pNum(P_j)少于阈值γ，则将该区域重新判定为非云区；否，则进入步骤5.2；

步骤5.2，经过步骤5.1，剩余的连通分量被标记为进一步修补其内部可能存在的所有孔洞，得到图像G′，L为此时仍被标记为云区的连通分量个数；

步骤5.3，将图像G′作为输入图像，以原始航空图像I为引导图像执行引导性滤波，实现对半透明云层边界的检测，得到最终云检测结果；

假设引导性滤波的输出图像G′和引导图像I在任一像素k为中心的局部方形窗口Ω_k内，存在如下局部线性模型：

$f(x,y)={\mathrm{\&alpha;}}_{k}I(x,y)+{\mathrm{\&beta;}}_k,\&ForAll;(x,y)\&Element;{\mathrm{\&Omega;}}_k$

其中，k代表方形窗口的中心像素，α_k和β_k为窗口Ω_k对应的常数线性因子，(x,y)对应以k为中心的窗口Ω_k内的像素点；具体地，对于线性因子α_k和β_k有

$\begin{array}{c}{\mathrm{\&alpha;}}_k=\frac{\frac{1}{\left|{\mathrm{\&Omega;}}_k\right|}{\mathrm{\&Sigma;}}_{(x,y)\&Element;{\mathrm{\&Omega;}}_k}I(x,y)G^{\&prime;}(x,y)-{\mathrm{\&mu;}}_k{\stackrel{\&OverBar;}{G^{\&prime;}}}_k}{{\mathrm{\&delta;}}_k^2+\&PartialD;}\\ {\mathrm{\&beta;}}_k={\stackrel{\&OverBar;}{G^{\&prime;}}}_k-{\mathrm{\&alpha;}}_k{\mathrm{\&beta;}}_k\end{array}$

其中，μ_k和分别表示引导图像I在窗口Ω_k内的像素均值和方差，为一个常数，|Ω_k|为窗口Ω_k的总像素点个数，为输入图像G′在窗口Ω_k内的像素均值，最终的输出图像定义为：

$f(x,y)={\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_{k}I(x,y)+{\stackrel{\&OverBar;}{\mathrm{\&beta;}}}_k$

其中，和分别表示所有包含像素点(x,y)的窗口线性因子α_k和β_k的均值；若像素点(x,y)满足f(x,y)≥t，t为分割阈值，则该像素点被判定为云区，反之则被判定为非云区。

6.根据权利要求1所述的一种航空图像自动云检测方法，其特征在于：所述的步骤3中，对细节图D使用最大类间方差法进行二值化。

7.根据权利要求2所述的一种航空图像自动云检测方法，其特征在于：所述的步骤1.1中，ε设置为1.0。

8.根据权利要求4所述的一种航空图像自动云检测方法，其特征在于：所述的步骤3.2中，，这里的*表示求卷积操作，为空间高斯核，δ_d空间高斯核对应的空间标准差，δ_d设置为8。

9.根据权利要求5所述的一种航空图像自动云检测方法，其特征在于：所述的步骤5.1中阈值γ设置为100。

10.根据权利要求5所述的一种航空图像自动云检测方法，其特征在于：所述的步骤5.3中，方形窗口Ω_k的半径设置为60个像素距离，设置为10^-6，阈值t设置为60个灰度级。