CN109376600A - 多光谱遥感影像综合特征云检测方法及装置 - Google Patents

Abstract

本发明实施例提供一种多光谱遥感影像综合特征云检测方法及装置，其中方法包括：对多光谱遥感影像进行光谱修正，分别获得多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；根据红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；根据蓝波段、绿波段、红波段的反射率值，获得白度参数；根据蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；根据归一化植被指数、白度参数和HOT特征参数，获得云检测结果图。本发明提供的多光谱遥感影像综合特征云检测方法及装置，通过多光谱获取三种特征参数，并综合这三种特征参数进行云检测，从而获得云检测结果图，显著地提高了遥感影像中云检测的运算速度。

Description

多光谱遥感影像综合特征云检测方法及装置

技术领域

本发明涉及遥感影像处理技术领域，更具体地，涉及一种多光谱遥感影像综合特征云检测方法及装置。

背景技术

遥感技术如今已经广泛地应用到作物面积监测、长势监测、估产、灾害监测、农业环境监测与评价以及土壤监测等多个农业领域。高分辨率卫星遥感影像拥有更加丰富的空间结构和纹理信息，是目前最具有经济价值的卫星数据之一，因此，高分辨率卫星遥感影像成为农业遥感应用的主要数据源。而国产高分一号卫星的投用，进一步刺激了各行业对高分辨率遥感数据的需求。

尽管卫星传感器的分辨率越来越高，所能够提供的遥感影像上的信息量也变得越来越复杂，但影像数据的质量极易受拍摄地区的天气状况影响，许多遥感影像都不可避免地覆盖着大量的云层，影响后续的信息处理如地物的分类和识别、目标的检测等，给遥感影像的不同应用都带来了很大的负面影响。因此，对影像数据进行质量检测，标识并计算其被云遮挡的区域范围，可以避免无效数据的存储及其对后续计算资源的浪费。

近年来，国内外学者在遥感影像云检测方面做了大量研究。传统物理云检测方法利用的是云的高反射率和低温特性，但高分一号多光谱影像波谱范围相对较窄，且缺少亮温波段，因此无法利用云的辐射温度特性进行云检测。而现有的高分一号云检测算法大多利用模式识别技术，计算复杂，在计算效率上即便借助技术，也难以满足实际要求。

因此，如何实现遥感影像中云层的快速识别与检测，成了目前亟待解决的问题。

发明内容

为了克服上述现有技术的缺陷，本发明提供一种多光谱遥感影像综合特征云检测方法及装置。

一个方面，本发明提供一种多光谱遥感影像综合特征云检测方法，包括：

对多光谱遥感影像进行光谱修正，分别获得所述多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；

根据所述红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；

根据所述蓝波段、绿波段、红波段的所述反射率值，获得白度参数；

根据所述蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；

根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图。

另一方面，本发明提供一种多光谱遥感影像综合特征云检测装置，包括：

预处理模块，用于对多光谱遥感影像进行光谱修正，分别获得所述多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；

第一特征模块，用于根据所述红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；

第二特征模块，用于根据所述蓝波段、绿波段、红波段的所述反射率值，获得白度参数；

第三特征模块，用于根据所述蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；

综合处理模块，用于根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图。

本发明提供的多光谱遥感影像综合特征云检测方法及装置，通过多光谱获取三种特征参数，并综合这三种特征参数进行云检测，从而获得云检测结果图，显著地提高了遥感影像中云检测的运算速度。

附图说明

图1为本发明实施例提供的多光谱遥感影像综合特征云检测方法流程示意图；

图2为本发明实施例提供的晴空线计算方法流程示意图；

图3为本发明实施例提供的晴空线计算方法原理示意图；

图4为本发明实施例提供的多光谱遥感影像综合特征云检测装置结构示意图；

图5为本发明实施例提供的电子设备结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

遥感影像主要是通过探测地表的太阳辐射来记录地面目标的位置和性质，进而获取其相关属性和变化规律。由于传感器受大气密度和云层变化等影响，许多影像中存在云层遮挡问题。云层的存在影响了对地观测和地标提取，进而影响到后续的数据处理和传输。因此，在遥感影像的处理中，云层的检测十分重要。本发明利用高分一号遥感卫星获取的遥感影像，根据云和非云地物的光谱特点和高分一号遥感卫星传感器的四个波段信息，提取多个用于区分云和非云地物的特征参数，综合各个特征参数获得云检测结果图，从而实现高分一号遥感影像的快速云检测。

应当清楚，本发明提供的方法适用于能够获取蓝波段、绿波段、红波段及红外波段的卫星，可以包括但不限于高分一号(GF-1)卫星、Landsat8卫星以及哨兵一号卫星等。本文为了简述方便，将以GF-1卫星为例进行说明。GF-1卫星上搭载了8m分辨率多光谱相机和16m分辨率多光谱相机，可以获取蓝波段(0.45～0.52μm)、绿波段(0.52～0.59μm)、红波段(0.63～0.69μm)和近红外波段(0.77～0.89μm)四个波段的光谱信息。在本发明实施例中，各个波段的反射率值用bandi表示；即，band1表示蓝波段的反射率值，band2表示绿波段的反射率值，band3表示红波段的反射率值，band4表示近红外波段的反射率值。

图1为本发明实施例提供的多光谱遥感影像综合特征云检测方法流程示意图，如图1所示，包括：

S101、对多光谱遥感影像进行光谱修正，分别获得多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；

需要说明的是，由于多光谱遥感影像(为了表述方便，以下简称“影像”)可能受到传感器、大气云层、太阳高度角、地形等多种因素的影响，为消除干扰、得到真实反射率的数据，需要对影像进行光谱修正。

光谱修正包括辐射定标和大气校正。辐射定标是将影像记录的原始像元亮度值转化为大气外层表面反射率值(或称辐射亮度值)，以消除传感器本身的误差。辐射定标可采用实验室定标、机上定标(或星上定标)、场地定标等方式。大气校正是将大气表面反射率值转换为地表实际反射率值，以消除大气散射、吸收、反射等引起的误差，可采用绝对大气校正方法，例如辐射传输模型法、黑暗像元法、基于统计学模型的反射率反演法等；也可采用相对大气校正方法，例如不变目标法、直方图匹配法等。

在进行光谱修正时，根据官方辐射定标系数和光谱响应函数，结合成像日期、太阳方位角或太阳天顶角、卫星方位角或卫星天顶角等元数据信息，从而进行辐射定标和大气校正的处理过程。高分一号影像进行光谱修正后，获得蓝波段、绿波段、红波段和近红外波段四个波段的反射率值。

另外，可以将辐射定标和大气校正处理后得到的影像进行比值计算，获得影像的云区域覆盖百分比。云区域覆盖百分比表示一景影像中，被判定为云的像素数量占该景影像全部像素数量的百分比。该云区域覆盖百分比可以作为判定影像质量的参数，在实际应用中，可作为筛选影像的依据。

S102、根据红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；

需要说明的是，根据前述步骤获得的蓝波段、绿波段、红波段和近红外波段的反射率，计算得到归一化植被指数(Normalized Difference Vegetation Index，NDVI)作为初步检测参数。

NDVI特征的计算公式为：

其中，NIR为影像的近红外波段的反射率值，R为红波段的反射率值。在本发明实施例中，高分一号影像的第三波段(band3)为红波段，第四波段(band4)为近红外波段，，因此，本发明实施例中NDVI特征的计算公式为：

在获得NDVI特征参数值之后，对得到的NDVI特征参数值设置合适的阈值，从而区分影像中的云和非云像素。

S103、根据蓝波段、绿波段、红波段的反射率值，获得白度参数；

需要说明的是，首先根据前述步骤获得的蓝波段、绿波段、红波段的反射率，获得三个波段反射率的平均值MeanVis。其计算公式如下：

其中，band1表示蓝波段的反射率值，band2表示绿波段的反射率值。

然后计算蓝波段、绿波段、红波段和近红外波段四个波段的反射率值和平均值MeanVis之差的和，根据得到的结果，计算得到白度参数Whiteness。其计算公式如下：

其中，bandi表示波段i的反射率值。

对得到的白度参数Whiteness设置合适的阈值，进一步地去除影像中的非云像素，从而完成厚云检测。

S104、根据蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；

需要说明的是，根据蓝波段的反射率值、红波段的反射率值、晴空线与蓝波段的夹角以及晴空线截距，获得最优薄云检测变换(Haze Optimized Transformation，HOT)特征参数，从而进行薄云检测。

本领域技术人员应当清楚，处于晴空区域的不同地物的红波段和蓝波段的DN(Digital Number，数字量化值)值具有高度相关性，两个波段的DN值的散点图近似地分布在一条直线上，即“晴空线”。通常来说，都会对获取的原始DN值进行定标等处理，获得其反射率值。也就是说，根据蓝波段的反射率值和红波段的反射率值，可以得到晴空线方程，从而获得晴空线。

HOT特征利用影像中红蓝波段具有相关性的特点，采用像素点与晴空线的距离作为HOT特征参数值。本发明实施例中，HOT特征参数的具体计算公式为：

HOT＝band1sinθ-band3cosθ-|I|cosθ；

其中，θ表示晴空线与蓝波段的夹角，I表示晴空线截距。

对得到的HOT特征参数值设置合适的阈值，从而完成薄云检测。

S105、根据归一化植被指数、白度参数和HOT特征参数，获得云检测结果图。

需要说明的是，在分别计算获取NDVI特征参数值、Whiteness参数值以及HOT特征参数值时，针对每个参数，结合密度分割和直方图统计方法，分别选取各个参数的最优阈值。在实际应用中，由于每景影像的光照条件等不同，阈值也不是固定不变的。优选地，可利用ENVI(The Environment for Visualizing Images)遥感图像处理平台自带的RasterColor Slices工具(栅格灰度分割工具)，设置灰度分割区间，将影像中的像素进行分类，并且结合目视对比效果，从而确定最优的阈值。

根据选取的各个参数的最优阈值，对各个参数进行进一步处理，从而进一步区分影像的云与非云像元，最终生成云检测结果图。通常利用ENVI的灰度直方图、二分法，再结合目视解译方法，不断调整阈值，直到目视解译的云检测的效果最好，则此时的云检测结果图为最终的云检测结果图。

本发明实施例提供的多光谱遥感影像综合特征云检测方法，充分利用了GF-1卫星影像的多光谱特性，根据GF-1卫星的各个可见光波段，选取有效的三种多光谱特征参数，并通过设置合适的阈值组合，实现遥感影像的云检测。

相较于现有技术中计算繁琐、效率低下的云检测步骤，本发明实施例提供的一种多光谱遥感影像综合特征云检测方法，能够大大地降低计算的复杂度，提高云检测的运算速度。此外，由于计算复杂度低，能够以较少的成本满足某些涉及大量数据检测并且对检测精度与检测速度同时有较高要求的实际应用需求。

基于上述实施例，作为一种可选的实施例，本发明实施例还提供计算获得晴空线的方法。图2为本发明实施例的晴空线计算方法流程示意图，如图2所示，包括：

S201、建立各季背景场影像集，所述各季背景场影像集中包含相应季节的多景不同时相的多光谱遥感影像。

需要说明的是，首先将时相划分为四个季节，每季节随机选取多景不同时相的多光谱遥感影像，利用多景不同时相的晴空影像建立各季晴空背景场，进而建立各季背景场影像集。其中，晴空影像为经过挑选后的多光谱遥感影像。由于夏季研究区植被覆盖度高，在后续农作物分类等应用过程中，夏季拍摄的影像数据应用最为广泛。因此，本发明实施例中可以夏季为例，挑选10天的晴空影像建立夏季背景场影像集。然后通过辐射定标及大气校正方法，对背景场影像集中的各影像进行预处理，获得其表观反射率值。

S202、对所述多景不同时相的多光谱遥感影像进行配准，确定各多光谱遥感影像中的公共区域。

需要说明的是，例如，从夏季背景场影像集中，挑选一天的影像作为参考影像，对夏季背景场影像集内其余时相的影像进行配准处理，使得所有影像中相同地物的经纬度信息一致。在具体应用时，可以利用ENVI中影像与影像的配准功能。配准后，可以得到各季背景场影像集中各景影像的公共区域。各景影像的公共区域含有相同的地物，且地物的经纬度信息一致。

S203、在所述公共区域中提取红波段和蓝波段的特征波段集。

需要说明的是，配准后，可以得到各季背景场影像集中各景影像的公共区域，在公共区域绘制ROI文件，利用该ROI文件对夏季背景场影像集内的每景影像进行裁剪，由此获得研究区影像。从研究区影像中挑选出2个波段，即红波段和蓝波段，利用ENVI中波段叠加的功能，分别将其与影像叠加在一起，由此形成2个特征波段集，即红波段特征集和蓝波段特征集。

S204、计算所述特征波段集的均值，获得各季均值晴空背景场。

需要说明的是，对S203得到的两个特征波段集进行平均值计算，即，对红波段集内的所有反射率值进行平均值计算，得到红波段集均值，对蓝波段集内的所有反射率值进行平均值计算，得到另一个均值为蓝波段集均值。实际应用中，可以利用C#、MATLAB、JAVA等编程语言编写计算均值程序。获取的红波段集均值和蓝波段集均值构成了该季度的均值影像，即为最终的夏季均值晴空背景场。

S205、根据所述各季均值晴空背景场，建立晴空线模型，计算获得所述晴空线。

需要说明的是，构建四季均值晴空背景场的红蓝波段散点图，采用最小二乘法将散点拟合，由此得到晴空线。

具体的，设背景场的影像上共有m行n列像素，其中，第i行第j列像元的蓝波段反射率值为x_(i,j)，第i行第j列像元的红波段反射率值为y_(i,j)，构建各季背景场的所有像素点的红蓝波段散点图，再采用最小二乘法，将散点拟合，得到晴空线的回归方程为：

其中，晴空线回归方程中回归系数的计算公式为：

晴空线回归方程中系数的计算公式为：

其中，表示影像的蓝波段反射率值的平均值，表示影像的红波段反射率值的平均值。

本发明实施例提供的多光谱遥感影像综合特征云检测方法，相较于现有技术，将影像按季节划分，分别计算得到四个季节的晴空线；通过建立各季的背景场，最大程度的减小了不同时相的晴空区光谱差异对检测结果的影响，实现对全年时相影像的云检测，提高了云检测的效率，使之能够在全年多时相范围内直接工程化应用，具备很强的实用性。

图3为本发明实施例提供的晴空线计算方法原理示意图，如图3所示，横轴B1表示高分一号多光谱遥感影像的蓝色波段band1，纵轴B3表示高分一号多光谱遥感影像的红色波段band3。BDP为根据多光谱遥感影像红蓝散点图采用最小二乘法拟合得到的晴空线，晴空线BDP与B3轴交于K，θ为晴空线BDP的倾角，A为坐标原点，AK为晴空线的截距。AC平行晴空线且穿过坐标原点。假设有一晴空像元，红蓝波段值的坐标位于晴空线BDP上的P点，该像元受到云的遮挡后，红色波段和蓝色波段的像元值发生变化，但由于蓝色波段对云的干扰更敏感，像元值的升高幅度更大，因此该像元的红色波段和蓝色波段像元值从晴空线上P点偏移到O点。OF垂直于横轴B1，CDEF垂直于晴空线，OP垂直于晴空线，OE平行于晴空线。则HOT特征参数值为O点相对于晴空线所偏离的距离OP，即：

HOT＝Band1×sinθ-Band3×cosθ。

结合前文所述的晴空线方程，可以得出：

将其带入HOT方程中，即可获得基于各季晴空背景场的HOT特征参数值。

本发明实施例提供的多光谱遥感影像综合特征云检测方法，通过建立各季的背景场，最大程度的减小了不同时相的晴空区光谱差异对检测结果的影响，实现对全年时相影像的云检测，提高了云检测的效率。

图4为本发明实施例提供的多光谱遥感影像综合特征云检测装置结构示意图，如图4所示，包括预处理模块401、第一特征模块402、第二特征模块403、第三特征模块404和综合处理模块405，其中：

预处理模块401用于对多光谱遥感影像进行光谱修正，分别获得多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；

第一特征模块402用于根据红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；

第二特征模块403用于根据蓝波段、绿波段、红波段的反射率值，获得白度参数；

第三特征模块404用于根据蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；

综合处理模块405用于根据归一化植被指数、白度参数和HOT特征参数，获得云检测结果图。

需要说明的是，由于影像可能受到传感器、大气云层、太阳高度角、地形等多种因素的影响，为消除干扰、得到真实反射率的数据，需要对影像进行光谱修正。光谱修正包括辐射定标和大气校正。预处理模块401对影像进行光谱修正后，获得蓝波段、绿波段、红波段和近红外波段四个波段的反射率值。

根据前述步骤获得的蓝波段、绿波段、红波段和近红外波段的反射率，第一特征模块402计算获取归一化植被指数(Normalized Difference Vegetation Index，NDVI)作为初步检测参数。NDVI特征的计算公式为：

在获得NDVI特征参数值之后，对得到的NDVI特征参数值设置合适的阈值，从而区分影像中的云和非云像素。

根据前述步骤获得的蓝波段、绿波段、红波段的反射率，第二特征模块403计算获取蓝波段、绿波段、红波段和近红外波段四个波段的反射率值和这四个波段的平均值MeanVis之差的和，得到的结果作为白度参数Whiteness。其计算公式如下：

其中，bandi表示各个波段的反射率值。

对得到的白度参数Whiteness设置合适的阈值，进一步地去除影像中的非云像素，从而完成厚云检测。

根据蓝波段的反射率、红波段的反射率、晴空线与蓝波段的夹角以及晴空线截距，第三特征模块404计算获得最优薄云检测变换(Haze Optimized Transformation，HOT)特征参数，从而进行薄云检测。HOT特征参数的具体计算公式为：

HOT＝band1sinθ-band3cosθ-|I|cosθ；

其中，θ表示晴空线与蓝波段的夹角，I表示晴空线截距。

对得到的HOT特征参数值设置合适的阈值，从而完成薄云检测。

在得到归一化植被指数、白度参数和HOT特征参数的特征参数值之后，针对每个参数，结合密度分割和直方图统计方法，分别选取各个参数的最优阈值。综合处理模块405根据各个参数的阈值组合，进一步区分影像的云与非云像元，最终生成云检测结果图。

本发明实施例提供的多光谱遥感影像综合特征云检测装置，充分利用了GF-1卫星影像的多光谱特性，根据GF-1卫星的各个可见光波段，选取有效的三种多光谱特征参数，并通过设置合适的阈值组合，实现多光谱遥感影像的云检测。

相较于现有技术中计算繁琐、效率低下的云检测步骤，本发明实施例提供的多光谱遥感影像综合特征云检测装置，能够大大地降低计算的复杂度，提高云检测的运算速度。此外，由于计算复杂度低，能够以较少的成本满足某些涉及大量数据检测并且对检测精度与检测速度同时有较高要求的实际应用需求。

同时，本发明实施例提供的多光谱遥感影像综合特征云检测装置，将影像按季节划分，分别计算得到四个季节的晴空线；通过建立各季的背景场，最大程度的减小了不同时相的晴空区光谱差异对检测结果的影响，实现对全年时相影像的云检测，提高了云检测的效率，使之能够在全年多时相范围内直接工程化应用，具备很强的实用性。

应当清楚，本发明实施例提供的多光谱遥感影像综合特征云检测装置是用于执行上述各方法实施例的，具体流程和详细内容请参照方法实施例，此处不再赘述。

图5为本发明实施例提供的电子设备结构示意图，如图5所示，该服务器可以包括：处理器(processor)501、存储器(memory)502和通信总线503，其中：处理器501和存储器502分别通过总线503完成相互间的通信；处理器501可以调用存储器502中的逻辑指令，以执行上述实施例所提供的多光谱遥感影像综合特征云检测方法，例如包括：对多光谱遥感影像进行光谱修正，分别获得所述多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；根据所述红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；根据所述蓝波段、绿波段、红波段各个波段的所述反射率值，获得白度参数；根据所述蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图。

此外，上述的存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例提供的非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的多光谱遥感影像综合特征云检测方法，例如包括：对多光谱遥感影像进行光谱修正，分别获得所述多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；根据所述红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；根据所述蓝波段、绿波段、红波段的所述反射率值，获得白度参数；根据所述蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图。

应该清楚，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

另外，本领域内的技术人员应当理解的是，在本发明的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明的说明书中，说明了大量具体细节。然而应当理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种多光谱遥感影像综合特征云检测方法，其特征在于，包括：

对多光谱遥感影像进行光谱修正，分别获得所述多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；

根据所述红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；

根据所述蓝波段、绿波段、红波段的所述反射率值，获得白度参数；

根据所述蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；

根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图。

2.根据权利要求1所述的方法，其特征在于，所述根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图，具体为：

分别获得所述归一化植被指数、所述白度参数和所述HOT特征参数的阈值；

利用所述阈值对所述多光谱遥感影像进行处理，从而获得所述云检测结果图。

3.根据权利要求1所述的方法，其特征在于，所述根据蓝波段、绿波段、红波段的所述反射率值，获得白度参数，具体为：

根据公式计算蓝波段、绿波段和红波段的反射率值的平均值MeanVis；

根据公式计算所述白度参数Whiteness；

其中，band1表示蓝波段的反射率值，band2表示绿波段的反射率值，band3表示红波段的反射率值。

4.根据权利要求1所述的方法，其特征在于，获得所述归一化植被指数的公式具体为：

其中，band3表示红波段的反射率值，band4表示近红外波段的反射率值，NDVI表示所述归一化植被指数。

5.根据权利要求1所述的方法，其特征在于，获得所述HOT特征参数的公式具体为：

HOT＝band1sinθ-band3cosθ-|I|cosθ；

其中，θ表示晴空线与蓝波段的夹角，band1表示蓝波段的反射率值，band3表示红波段的反射率值，I表示晴空线截距，HOT表示所述HOT特征参数。

6.根据权利要求5所述的方法，其特征在于，获得所述晴空线的方法包括：

建立各季背景场影像集，所述各季背景场影像集中包含相应季节的多景不同时相的多光谱遥感影像；

对所述多景不同时相的多光谱遥感影像进行配准，确定各多光谱遥感影像中的公共区域；

在所述公共区域中提取红波段和蓝波段的特征波段集；

计算所述特征波段集的均值，获得各季均值晴空背景场；

根据所述各季均值晴空背景场，建立晴空线模型，计算获得所述晴空线。

7.根据权利要求6所述的方法，其特征在于，获得所述晴空线的公式具体为：

其中，表示所述晴空线，表示常数项，表示回归系数，x_(i,j)表示影像中第i行第j列像元的蓝波段反射率值，y_(i,j)表示影像中第i行第j列像元的红波段反射率值，m表示影像中像元的总行数，n表示影像中像元的总列数，表示影像的蓝波段反射率值的平均值，表示影像的红波段反射率值的平均值。

8.一种多光谱遥感影像综合特征云检测装置，其特征在于，包括：

预处理模块，用于对多光谱遥感影像进行光谱修正，分别获得所述多光谱遥感影像的蓝波段、绿波段、红波段和近红外波段的反射率值；

第一特征模块，用于根据所述红波段的反射率值和近红外波段的反射率值，获得归一化植被指数；

第二特征模块，用于根据所述蓝波段、绿波段、红波段的所述反射率值，获得白度参数；

第三特征模块，用于根据所述蓝波段的反射率值和红波段的反射率值，获得HOT特征参数；

综合处理模块，用于根据所述归一化植被指数、所述白度参数和所述HOT特征参数，获得云检测结果图。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述多光谱遥感影像综合特征云检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述多光谱遥感影像综合特征云检测方法的步骤。