CN113838065B - 一种基于影像标记的自动化去云方法 - Google Patents

Abstract

本发明公开了一种基于影像标记的自动化去云方法，包括步骤S100：确定待处理影像A，基于待处理影像A在历史同期或近期中找寻与待处理影像A待处理区域相同的无云影像的参照影像B；步骤S200：对原始图像数据进行标记分离处理分别得到影像A1和影像A2；步骤S300：对影像A1不做处理，对影像A2进行云量识别和云状态标签判断；云状态标签包括无云、薄云、厚云；步骤S400：对影像A2进行去云操作；去云操作包括对云状态标签为薄云的图像进行同态滤波操作和色彩增强处理得到图E1、对云状态标签为厚云的图像基于参照影像B上对应区域进行替换操作和边缘羽化处理得到图E2；步骤S500：对各个部分图像进行合并得到去云的影像Aend＝A1+A2+E1+E2。

Description

一种基于影像标记的自动化去云方法

技术领域

本发明涉及影像处理技术领域，具体为一种基于影像标记的自动化去云方法。

背景技术

云覆盖是造成影像出现数据缺失的重要因素之一，而在现有技术中大多采用阈值法去云和深度学习法去云；但对于阈值法去云而言，准确度受许多类云物体例如雪，大面积白色建筑等的影响更大，因此准确率波动会非常大；而对于深度学习法去云而言，开发成本非常大；且需要在各种场景下对各种情况的云进行标记，这就导致人工成本非常大，同时训练过程也会消耗很多的资源，同时准确度因会受影像本身的限制和训练的素材的限制，准确度也不高。

发明内容

本发明的目的在于提供一种基于影像标记的自动化去云方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于影像标记的自动化去云方法，去云方法包括：

步骤S100：确定待处理影像A，基于待处理影像A在历史同期或近期中找寻与待处理影像A待处理区域相同的无云影像的参照影像B；将待处理影像A和参照影像B作为原始图像数据进行存储；

步骤S200：对原始图像数据进行标记分离处理分别得到影像A1和影像A2；

步骤S300：对影像A1不做处理，对影像A2进行云量识别和云状态标签判断；云状态标签包括无云、薄云、厚云；

步骤S400：对影像A2进行去云操作；去云操作包括对云状态标签为薄云的图像进行同态滤波操作和色彩增强处理得到图E1、对云状态标签为厚云的图像基于参照影像B上对应区域进行替换操作和边缘羽化处理得到图E2；

步骤S500：对各个部分图像进行合并得到去云的影像Aend＝A1+A2+E1+E2。

进一步的，步骤S200包括：

步骤S201：在参照影像B中找寻易混区域，易混区域包括冰雪区域、大片白色建筑区域、水体区域；对易混区域进行标记；将标记后的图像生成矢量文件，并对其按照公式

进行二值化处理生成二值化掩膜B1；

步骤S202：遍历待处理影像A的所有像素坐标，以易混区域为基础，将待处理影像A中位于易混区域范围内的坐标像素点分离出来根据公式A1＝A*(-f(x))得到影像A1；将待处理影像A中不位于易混区域范围内的坐标像素点分离出来根据公式A2＝A*f(x)得到影像A2；

上述步骤是为了将易混区域进行排除，因为易混区域的数值跟云的数值很接近，如果不把易混区域挑出来，会影响后续计算的准确性，也加大了计算的工作量。

进一步的，步骤S300包括：

步骤S301：将影像A2内R、G、B三通道的数值根据公式：Pgray＝(R*299+G*587+B*114+500)/1000进行转换得到灰度图Pgray；

步骤S302：将灰度图Pgray的行等分为a份，列等分为b份；即将灰度图P分割得到a×b个小图像；

步骤S303：对灰度图Pgray的灰度均值Pmean和灰度方差Pvar进行计算；其中，灰度均值根据如下公式计算：

灰度方差根据如下公式计算：

步骤S304：根据灰度均值Pmean和灰度方差Pvarpan对a×b个小图像进行云状态标签判断；

步骤S305：对各个小图像基于云状态标签的不同分别执行不同的算法；

上述将图像进行图像分割是为了将图像由一个大图像划分为许多个小图像，对每个小图像进行图像处理，提高图像处理的精度；灰度均值Pmean和灰度方差Pvar的计算是为了后续对图像进行云状态标签的判断。

进一步的，步骤S305中包括对各个小图像基于云状态标签的不同分别执行不同的算法是指：

若为薄云，对于每个薄云小图像中的像素执行算法

若为厚云，对于每个厚云小图像中的像素执行算法

若为无云，对于每个无云图像中的像素都置为0；

通过对不同云状态标签的图像分别执行不同的算法能实现将具有不同状态标签的图像在同一张图上进行区分，有利于后续对于具有不同云状态标签的图像进行不同的去云操作。

进一步的，云状态标签判断包括无云状态与云状态之间的判断，云状态包括薄云状态、厚云状态；判断过程包括：

步骤S311：设置分割阈值，在每个小图像I(x,y)中将像素灰度值小于分割阈值的像素个数记为N0；将图像中像素的灰度值大于分割阈值的像素个数记为N1；N0为属于无云状态的像素个数，N1为属于云状态的像素个数；

步骤S312：属于云状态的像素占整幅图像的比例ω0＝N0/(M×N)；属于云状态的像素点数的平均灰度为μ0；属于无云状态的像素点数占整幅图像的比例ω1＝N1/(M×N)；属于无云状态的像素点数的平均灰度为μ1；且满足N0+N1＝M×N；ω0+ω1＝1；得到整幅图像的平均灰度μ＝ω0×μ0+ω1×μ1；类间方差g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2；g＝ω0ω1(μ0-μ1)^2；

步骤S313：遍历在所有设置的分割阈值下得到的g值；将最大的g值所对应的分割阈值作为第一分割阈值T；将图像g值小于第一分割阈值T的判定为无云图像，将图像g值大于第一分割阈值T的判定为有云图像；

上述操作能够找到有云和无云图像之间的最佳区分阈值，实现将有云图像和无云图像进行区分。

进一步的，云状态标签判断包括薄云状态与厚云状态之间的判断，判断过程包括：

步骤S321：设置分割阈值；在每个小图像I(x,y)中将像素灰度值小于分割阈值的像素个数记为N0；将图像中像素的灰度值大于分割阈值的像素个数记为N1；

步骤S322：薄云像素占整幅图像的比例ω0＝N0/(M×N)；薄云像素点数的平均灰度为μ0；厚云像素占整幅图像的比例ω1＝N1/(M×N)；厚云像素点数的平均灰度为μ1；且满足N0+N1＝M×N；ω0+ω1＝1；得到整幅图像的平均灰度μ＝ω0×μ0+ω1×μ1；类间方差g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2；g＝ω0ω1(μ0-μ1)^2

步骤S323：遍历在所有设置的分割阈值下得到的g值；将最大的g值所对应的分割阈值作为第二分割阈值T’；将图像g值小于第二分割阈值T’的判定为薄云图像，将图像g值大于第二分割阈值T’的判定为厚云图像；

上述操作能够找到薄云和厚云图像之间的最佳区分阈值，实现将薄云图像和厚云图像进行区分。

进一步的，步骤S400中对云状态标签为薄云的图像进行同态滤波处理过程包括：

步骤S401：将云状态标签为薄云的图像分解为光的入射分量和光的反射分量的乘积f(x,y)＝i(x,y)r(x,y)；

步骤S402：将乘积的两边取对数得到线性组合的频率域后再对图像做傅里叶变换；公式表达为：Z(x,y)＝DFT[lnf(x,y)]＝DFT[lni(x,y)]+DFT[lnr(x,y)]；

步骤S403：将傅里叶变换后的图像通过高斯高通滤波器对图像低频的亮度分量进行压制，增强细节的高频分量；高斯公式为：

滤波后的结果为：S(x,y)＝H(x,y)Z(x,y)；

步骤S404：对图像进行反傅里叶变换；公式为s(x,y)＝IDFT(S(u,v))Sd；再对图像进行取指数处理，公式为g(x,y)＝exp^(s(x,y))＝i0(x,y)+r0(x,y)；得到图像E1’；

上述步骤实施同态滤波是为了去除薄云，对图像进行同态滤波处理后，薄云会去除，但是图像的整体亮度会降低，所以后续又对同态滤波处理后的影像做了一个亮度增强。

进一步的，步骤S400中对于云状态标签为厚云的图像基于参照影像B上对应区域进行替换操作的过程包括：

步骤S411：设定

利用公式C＝M’×B从参照影像B中找寻厚云区域C；

步骤S412：遍历厚云区域C上的每个像素值，当像素值不为0时，对以当前像素为中心的9宫格内的像素值进行0值搜寻，将0值所在的像素位置加入边缘点数组；

步骤S413：将厚云区域拼接到影像A2上得到图像E2，公式如下：

E2＝C+(M’)*A2

进一步的，步骤S400中色彩增强处理包括：

步骤S421：将薄云区域记为Ac，影像其他区域记为Ao；从参照影像B中定位到相同的薄云区域Bc和其他区域Bo；

步骤S422：根据各区域内的像素值平均比值得到增强系数为：

步骤S423：对同态滤波后的Ac部分做增强：E1＝E*g(x,y)；

对薄云部分进行了同态滤波后再进行色彩增强处理是因为对薄云部分进行同态滤波后，滤波部分的亮度会比周围影像亮度更暗的情况，所以需要对该部分图像进行色彩增强。

进一步的，步骤S400中边缘羽化处理的过程包括：

步骤S431：遍历边缘点数组中的每个点，定义其行列坐标为(i,j)；

步骤S432：执行算法：

步骤S433：扩展边缘，执行算法：

上述对图像进行边缘羽化处理即为对图像执行模糊算法，但由于羽化是一个边缘带，所以需要扩展边缘；而在上述步骤中执行的扩展边缘就是将其往左右上下进行一个像素的位移；根据羽化程度的深浅可以取更大像素宽度。

与现有技术相比，本发明所达到的有益效果是：本发明提供的去云方法可以减少许多类云物体对图像准确率波动的影响；且开发成本低，大量减少了人工成本，节省了资源；采用本发明处理的影像其准确度受于本身的限制少，且准确度较于传统的去云方法而言得到大幅度的提高。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于影像标记的自动化去云方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。

请参阅图1，本发明提供技术方案：一种基于影像标记的自动化去云方法，其特征在于，去云方法包括：

步骤S100：确定待处理影像A，基于待处理影像A在历史同期或近期中找寻与待处理影像A待处理区域相同的无云影像的参照影像B；将待处理影像A和参照影像B作为原始图像数据进行存储；

步骤S200：对原始图像数据进行标记分离处理分别得到影像A1和影像A2；

其中，步骤S200包括：

步骤S201：在参照影像B中找寻易混区域，易混区域包括冰雪区域、大片白色建筑区域、水体区域；对易混区域进行标记；将标记后的图像生成矢量文件，并对其按照公式

进行二值化处理生成二值化掩膜B1；

步骤S202：遍历待处理影像A的所有像素坐标，以易混区域为基础，将待处理影像A中位于易混区域范围内的坐标像素点分离出来根据公式A1＝A*(-f(x))得到影像A1；将待处理影像A中不位于易混区域范围内的坐标像素点分离出来根据公式A2＝A*f(x)得到影像A2；

步骤S300：对影像A1不做处理，对影像A2进行云量识别和云状态标签判断；云状态标签包括无云、薄云、厚云；

其中，步骤S300包括：

步骤S301：将影像A2内R、G、B三通道的数值根据公式：Pgray＝(R*299+G*587+B*114+500)/1000进行转换得到灰度图Pgray；

步骤S302：将灰度图Pgray的行等分为a份，列等分为b份；即将灰度图P分割得到a×b个小图像；

步骤S303：对灰度图Pgray的灰度均值Pmean和灰度方差Pvar进行计算；其中，灰度均值根据如下公式计算：

灰度方差根据如下公式计算：

步骤S304：根据灰度均值Pmean和灰度方差Pvarpan对a×b个小图像进行云状态标签判断；

步骤S305：对各个小图像基于云状态标签的不同分别执行不同的算法；

其中，对各个小图像基于云状态标签的不同分别执行不同的算法是指：

若为薄云，对于每个薄云小图像中的像素执行算法

若为厚云，对于每个厚云小图像中的像素执行算法

若为无云，对于每个无云图像中的像素都置为0；

其中，云状态标签判断包括无云状态与云状态之间的判断，云状态包括薄云状态、厚云状态；判断过程包括：

步骤S311：设置分割阈值，在每个小图像I(x,y)中将像素灰度值小于分割阈值的像素个数记为N0；将图像中像素的灰度值大于分割阈值的像素个数记为N1；N0为属于无云状态的像素个数，N1为属于云状态的像素个数；

步骤S312：属于云状态的像素占整幅图像的比例ω0＝N0/(M×N)；属于云状态的像素点数的平均灰度为μ0；属于无云状态的像素点数占整幅图像的比例ω1＝N1/(M×N)；属于无云状态的像素点数的平均灰度为μ1；且满足N0+N1＝M×N；ω0+ω1＝1；得到整幅图像的平均灰度μ＝ω0×μ0+ω1×μ1；类间方差g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2；g＝ω0ω1(μ0-μ1)^2；

步骤S313：遍历在所有设置的分割阈值下得到的g值；将最大的g值所对应的分割阈值作为第一分割阈值T；将图像g值小于第一分割阈值T的判定为无云图像，将图像g值大于第一分割阈值T的判定为有云图像；

其中，云状态标签判断包括薄云状态与厚云状态之间的判断，判断过程包括：

步骤S321：设置分割阈值；在每个小图像I(x,y)中将像素灰度值小于分割阈值的像素个数记为N0；将图像中像素的灰度值大于分割阈值的像素个数记为N1；

步骤S322：薄云像素占整幅图像的比例ω0＝N0/(M×N)；薄云像素点数的平均灰度为μ0；厚云像素占整幅图像的比例ω1＝N1/(M×N)；厚云像素点数的平均灰度为μ1；且满足N0+N1＝M×N；ω0+ω1＝1；得到整幅图像的平均灰度μ＝ω0×μ0+ω1×μ1；类间方差g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2；g＝ω0ω1(μ0-μ1)^2

步骤S323：遍历在所有设置的分割阈值下得到的g值；将最大的g值所对应的分割阈值作为第二分割阈值T’；将图像g值小于第二分割阈值T’的判定为薄云图像，将图像g值大于第二分割阈值T’的判定为厚云图像；

步骤S400：对影像A2进行去云操作；去云操作包括对云状态标签为薄云的图像进行同态滤波操作和色彩增强处理得到图E1、对云状态标签为厚云的图像基于参照影像B上对应区域进行替换操作和边缘羽化处理得到图E2；

其中，对云状态标签为薄云的图像进行同态滤波处理过程包括：

步骤S401：将云状态标签为薄云的图像分解为光的入射分量和光的反射分量的乘积f(x,y)＝i(x,y)r(x,y)；

步骤S402：将乘积的两边取对数得到线性组合的频率域后再对图像做傅里叶变换；公式表达为：Z(x,y)＝DFT[lnf(x,y)]＝DFT[lni(x,y)]+DFT[lnr(x,y)]；

步骤S403：将傅里叶变换后的图像通过高斯高通滤波器对图像低频的亮度分量进行压制，增强细节的高频分量；高斯公式为：

滤波后的结果为：S(x,y)＝H(x,y)Z(x,y)；

步骤S404：对图像进行反傅里叶变换；公式为s(x,y)＝IDFT(S(u,v))Sd；再对图像进行取指数处理，公式为g(x,y)＝exp^(s(x,y))＝i0(x,y)+r0(x,y)；得到图像E1’；

其中，色彩增强处理包括：

步骤S421：将薄云区域记为Ac，影像其他区域记为Ao；从参照影像B中定位到相同的薄云区域Bc和其他区域Bo；

步骤S422：根据各区域内的像素值平均比值得到增强系数为：

步骤S423：对同态滤波后的Ac部分做增强：E1＝E*g(x,y)；

其中，对于云状态标签为厚云的图像基于参照影像B上对应区域进行替换操作的过程包括：

步骤S411：设定

利用公式C＝M’×B从参照影像B中找寻厚云区域C；

步骤S412：遍历厚云区域C上的每个像素值，当像素值不为0时，对以当前像素为中心的9宫格内的像素值进行0值搜寻，将0值所在的像素位置加入边缘点数组；

步骤S413：将厚云区域拼接到影像A2上得到图像E2，公式如下：

E2＝C+(M’)*A2

其中，边缘羽化处理的过程包括：

步骤S431：遍历边缘点数组中的每个点，定义其行列坐标为(i,j)；

步骤S432：执行算法：

步骤S433：扩展边缘，执行算法：

步骤S500：对各个部分图像进行合并得到去云的影像Aend＝A1+A2+E1+E2。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于影像标记的自动化去云方法，其特征在于，所述去云方法包括：

步骤S100：确定待处理影像A，基于所述待处理影像A在历史同期或近期中找寻与所述待处理影像A待处理区域相同的无云影像的参照影像B；将所述待处理影像A和所述参照影像B作为原始图像数据进行存储；

步骤S200：对所述原始图像数据进行标记分离处理分别得到影像A1和影像A2；

步骤S300：对所述影像A1不做处理，对所述影像A2进行云量识别和云状态标签判断；所述云状态标签包括无云、薄云、厚云；

步骤S400：对所述影像A2进行去云操作；所述去云操作包括对云状态标签为薄云的图像进行同态滤波操作和色彩增强处理得到图E1、对云状态标签为厚云的图像基于所述参照影像B上对应区域进行替换操作和边缘羽化处理得到图E2；

步骤S400中对云状态标签为薄云的图像进行同态滤波处理过程包括：

步骤S401：将云状态标签为薄云的图像分解为光的入射分量和光的反射分量的乘积f(x,y)＝i(x,y)r(x,y)；

步骤S402：将所述乘积的两边取对数得到线性组合的频率域后再对图像做傅里叶变换；公式表达为：Z(x,y)＝DFT[lnf(x,y)]＝DFT[lni(x,y)]+DFT[lnr(x,y)]；

步骤S403：将傅里叶变换后的图像通过高斯高通滤波器对图像低频的亮度分量进行压制，增强细节的高频分量；高斯公式为：

滤波后的结果为：S(x,y)＝H(x,y)Z(x,y)；

步骤S404：对图像进行反傅里叶变换得到s(x,y)；再对图像进行取指数处理得到g(x,y)＝exp^(s(x,y))；得到图像E1’；

步骤S400中色彩增强处理包括：

步骤S421：将薄云区域记为Ac，影像其他区域记为Ao；从参照影像B中定位到相同的薄云区域Bc和其他区域Bo；

步骤S422：根据各区域内的像素值平均比值得到增强系数为：

步骤S423：对同态滤波后的Ac部分做增强：E1＝E*g(x,y)；

步骤S500：对各个部分图像进行合并得到去云的影像Aend＝A1+A2+E1+E2。

2.根据权利要求1所述的一种基于影像标记的自动化去云方法，其特征在于，所述步骤S200包括：

步骤S201：在所述参照影像B中找寻易混区域，所述易混区域包括冰雪区域、大片白色建筑区域、水体区域；对所述易混区域进行标记；将标记后的图像生成矢量文件，并对其按照公式

进行二值化处理生成二值化掩膜B1；

步骤S202：遍历所述待处理影像A的所有像素坐标，以所述易混区域为基础，将所述待处理影像A中位于所述易混区域范围内的坐标像素点分离出来根据公式A1＝A*(-f(x))得到影像A1；将所述待处理影像A中不位于所述易混区域范围内的坐标像素点分离出来根据公式A2＝A*f(x)得到影像A2。

3.根据权利要求1所述的一种基于影像标记的自动化去云方法，其特征在于，所述步骤S300包括：

步骤S301：将所述影像A2内R、G、B三通道的数值根据公式：Pgray＝(R*299+G*587+B*114+500)/1000进行转换得到灰度图Pgray；

步骤S302：将所述灰度图Pgray的行等分为a份，列等分为b份；即将所述灰度图P分割得到a×b个小图像；

步骤S303：对所述灰度图Pgray的灰度均值Pmean和灰度方差Pvar进行计算；其中，灰度均值根据如下公式计算：

灰度方差根据如下公式计算：

步骤S304：根据所述灰度均值Pmean和灰度方差Pvar对所述a×b个小图像进行云状态标签判断；

步骤S305：对各个小图像基于所述云状态标签的不同分别执行不同的算法。

4.根据权利要求3所述一种基于影像标记的自动化去云方法，其特征在于，所述步骤S305中包括对各个小图像基于所述云状态标签的不同分别执行不同的算法是指：

若为薄云，对于每个薄云小图像中的像素执行算法

若为厚云，对于每个厚云小图像中的像素执行算法

若为无云，对于每个无云图像中的像素都置为0。

5.根据权利要求1所述的一种基于影像标记的自动化去云方法，其特征在于，所述云状态标签判断包括无云状态与云状态之间的判断，所述云状态包括薄云状态、厚云状态；判断过程包括：

步骤S311：设置分割阈值，在每个小图像I(x,y)中将像素灰度值小于所述分割阈值的像素个数记为N0；将图像中像素的灰度值大于所述分割阈值的像素个数记为N1；N0为属于无云状态的像素个数，N1为属于云状态的像素个数；

步骤S312：属于云状态的像素占整幅图像的比例ω0＝N0/(M×N)；属于云状态的像素点数的平均灰度为μ0；属于无云状态的像素点数占整幅图像的比例ω1＝N1/(M×N)；属于无云状态的像素点数的平均灰度为μ1；且满足N0+N1＝M×N；ω0+ω1＝1；得到整幅图像的平均灰度μ＝ω0×μ0+ω1×μ1；类间方差g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2；g＝ω0ω1(μ0-μ1)^2；

步骤S313：遍历在所有设置的分割阈值下得到的g值；将最大的g值所对应的分割阈值作为第一分割阈值T；将图像g值小于所述第一分割阈值T的判定为无云图像，将图像g值大于所述第一分割阈值T的判定为有云图像。

6.根据权利要求1所述的一种基于影像标记的自动化去云方法，其特征在于，所述云状态标签判断包括薄云状态与厚云状态之间的判断，判断过程包括：

步骤S321：设置分割阈值；在每个小图像I(x,y)中将像素灰度值小于所述分割阈值的像素个数记为N0；将图像中像素的灰度值大于所述分割阈值的像素个数记为N1；

步骤S322：薄云像素占整幅图像的比例ω0＝N0/(M×N)；薄云像素点数的平均灰度为μ0；厚云像素占整幅图像的比例ω1＝N1/(M×N)；厚云像素点数的平均灰度为μ1；且满足N0+N1＝M×N；ω0+ω1＝1；得到整幅图像的平均灰度μ＝ω0×μ0+ω1×μ1；类间方差g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2；g＝ω0ω1(μ0-μ1)^2

步骤S323：遍历在所有设置的分割阈值下得到的g值；将最大的g值所对应的分割阈值作为第二分割阈值T’；将图像g值小于所述第二分割阈值T’的判定为薄云图像，将图像g值大于所述第二分割阈值T’的判定为厚云图像。

7.根据权利要求1所述的一种基于影像标记的自动化去云方法，其特征在于，所述步骤S400中对于云状态标签为厚云的图像基于所述参照影像B上对应区域进行替换操作的过程包括：

步骤S411：设定

利用公式C＝M’×B从所述参照影像B中找寻厚云区域C；

步骤S412：遍历厚云区域C上的每个像素值，当像素值不为0时，对以当前像素为中心的9宫格内的像素值进行0值搜寻，将0值所在的像素位置加入边缘点数组；

步骤S413：将所述厚云区域拼接到所述影像A2上得到所述图像E2，公式如下：

E2＝C+(M’)*A2。

8.根据权利要求7所述的一种基于影像标记的自动化去云方法，其特征在于，所述步骤S400中边缘羽化处理的过程包括：

步骤S431：遍历所述边缘点数组中的每个点，定义其行列坐标为(i,j)；

步骤S432：执行算法：

步骤S433：扩展边缘，执行算法：

Images