陳振煒，張 過，寧津生，唐新明

1.武漢大學測繪學院，湖北 武漢430079；2.武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢430079；3.國家測繪地理信息局衛(wèi)星測繪應用中心，北京100830

1 引 言

由于云層覆蓋了地表上空50%以上的面積，資源三號測繪衛(wèi)星的數據在進行傳感器校正產品［1］的生產之前，需要剔除云量覆蓋過大的影像，以減輕生產負擔，提高生產效率；另一方面，估計出影像的云量值，有助于后續(xù)的應用。

目前遙感影像的云量檢測方法主要有兩大類［2］：一類是基于遙感影像的光譜特性［3－6］，這種方法主要是利用紅外波段，通過分析云和地物在同一個波長上的反射率或亮溫值不同，以及云和地物的反射率或亮溫值隨著波長的變化而變化情況不同，從而進行云地分離。這種方法的云檢測效果雖然較好，但是要求影像有足夠的波段范圍，適用性有限。另一類方法是基于圖像處理的手段［7－8］，通過分析影像上云和地物的紋理特征，提取合適的特征或特征組合，區(qū)分云和地物。這種方法的問題主要在于，遙感影像上云的種類相當繁雜，形態(tài)和紋理上沒有統(tǒng)一的特征，在各個特征空間內的分布都不集中，而地物的種類也是如此，因此使用紋理特征進行云地區(qū)分有較大的難度［10］。文獻［11］采用小波SCM 提取紋理特征，并利用基于ASM和熵的雙判別方式辨別云層，取得了一定的成果，但受到傳感器類型不同、影像分辨率不同等因素的限制，用于資源三號衛(wèi)星影像時仍存在較高的誤判率。

本文研究對象為資源三號測繪衛(wèi)星原始數據編目處理時所生成的瀏覽圖，尺寸均為1024像素×1024像素。針對云地種類繁雜的問題，首先對待檢測的影像進行了增強處理，然后在多尺度空間下分析圖像的紋理特征，實現(xiàn)云地的分離。最后選取了993幅瀏覽圖作為待測樣本進行試驗。

2 資源三號測繪衛(wèi)星自動云檢測

2.1 樹判別結構云檢測流程

對資源三號測繪衛(wèi)星編目生成的瀏覽圖采用樹狀判別結構［12］的方式進行高效率的云量檢測，如圖1所示。

算法采用了灰度均值、方差、一階差分、二階矩等圖像特征，經過大量樣本的訓練獲取特征最佳閾值。首先將云圖進行分割成64×64的子圖塊，對于每個子圖，根據灰度均值，分為3種情況：灰度均值高于235的子圖，圖像近乎全白，無明顯的紋理和灰度變化，云的概率極高，此時將該子圖直接歸為云類；對于灰度均值低于80的子圖，圖像整體表現(xiàn)較暗，地物概率較高，但也可能包含了所占子圖面積比例較小的云塊，這種情況相當于暗地表上空存在著亮度明顯高于地表的云，此時圖像會呈現(xiàn)較高的方差值，因此對于灰度均值低于80的子圖，若其方差小于所設閾值，則認為是下墊面，反之則說明有云的存在，可根據實際工程進行歸類，對于資源三號的實際工程應用，一般將這種情況下的子圖歸為云，或者可根據灰度值的高低測定子圖中云的比例，參與最后的統(tǒng)計；對于灰度均值介于80至235之間的子圖，首先對其進行直方圖均衡化，以強調其隱含的紋理細節(jié)，經過該過程，地物的紋理細節(jié)得到強化，而云類由于本身不含較細的紋理，因此變化較小，此時可以結合圖像的灰度值和二階矩進行初步分類，二階矩的臨界取值f0為該子圖未經直方圖均化時的灰度均值gm的函數，通過大量樣本可以粗略確定

圖1 樹狀判別結構云檢測流程Fig.1 Cloud detection workflow with tree discriminate structure

即意味著在較高灰度均值的條件下，云的概率高于地物，則二階矩的閾值降低。當子圖二階矩高于相應的閾值時，歸為云類，否則還有待確定。經過大量樣本的試驗可以發(fā)現(xiàn)，待確定的子圖比例約為52%，其中主要為地物，還包括一定比例的云。對于這部分在特征上云地混雜的子圖，進行一階圖像尺度分解，并求取分解前后圖像的一階差分退化率，將退化率與子圖未經直方圖均化的原始灰度均值相結合，通過大量樣本訓練出退化率臨界值d0與灰度均值gm的關系，最終區(qū)分云地，此時退化率的臨界值仍可以表示為灰度均值的函數

該流程中，灰度均值雖然不能直接作為判別云地的特征，但是貫穿了整個算法流程，起到了重要的參考作用。

2.2 子圖切分

在實際工程運用中，云量值作為評價數據質量的一個指標，并不需要很高的精度，因此本文先對待檢測的影像進行子圖分割，對分割后的小尺寸子圖，進行云地分類，即將云目標識別的問題轉換為子圖的云地分類問題，降低了云檢測的復雜程度。然后統(tǒng)計全圖中被分為云類的子圖所占的比例，即為原圖的云量值。同時根據云類子圖的分布情況，也能得到影像上云層的大致覆蓋區(qū)域。

不同的子圖尺寸會對云檢測的準確性帶來一定的影響，若子圖的尺寸過大，則包含的信息較多，影像中可能同時含有云類和地物類，或者含有不同類型的云，由于圖像的特征是全圖的綜合反應，此時的子圖不能作為一個云類或地物類的單元，且子圖尺寸越大時，全圖的取樣數就越少，會導致準確率受到影響；若子圖的尺寸過小，則所含信息量小，不足以體現(xiàn)云和地物的紋理區(qū)別，甚至出現(xiàn)部分云和地物的子圖表現(xiàn)幾乎一致，人眼也難以區(qū)分的情況。針對資源三號衛(wèi)星影像的編目瀏覽圖，本文通過試驗后選擇尺寸為64×64的大小進行子圖分割。

2.3 特征增強和提取

經典的基于紋理分析的云檢測算法，主要思路是［8，12－15］：首先對影像進行子圖切分，然后提取圖像的紋理特征，并采用合適的分類法，對子圖進行云和地的區(qū)分。傳統(tǒng)紋理分析法云檢測依賴于提取的特征，在這方面前人已作了大量的工作，如使用分數維描述紋理復雜度和粗糙度［13］、使用灰度梯度共生矩陣描述紋理統(tǒng)計特征［14］等。另外，熵、方差、一階差分、分數維等反應圖像紋理粗細或細節(jié)復雜度的特征［8，15］也是經常用于云檢測的圖像特征。因為一般而言云在圖像上的灰度分布均勻、跳變程度小，紋理較粗且模糊。反之，地物的紋理復雜度和灰度跳變程度較大，但是對于本文研究的對象資源三號衛(wèi)星編目生成的瀏覽圖，其采樣率較低，在這個分辨率下，建筑物、道路、植被等地物不可見，僅山脈、河流、沙漠、田野等大面積的地物類型能夠呈現(xiàn)在影像上。而這其中有不少的地物類型包括了以下特征：梯度較小、紋理較粗、灰度值較高。這與云類的圖像特征相似，容易產生混淆。如沙漠地區(qū)的影像往往就有這個現(xiàn)象（圖2）。另外，在該分辨率下的云類，尤其是層云以及體積較小的塊狀云，會呈現(xiàn)出較大的梯度和較細的紋理，甚至是較低的灰度值（圖3），加大了直接通過紋理特征來區(qū)分云地的難度。

圖2 典型的沙地影像Fig.2 Typical sand images

圖3 紋理較細的云影像Fig.3 Cloud with thin textures

基于上述考慮，首先對分割后得到的每個子圖進行了直方圖均衡化的增強處理，以有目的性地改變圖像的紋理特征，均衡化通過控制圖像灰度級概率密度函數，改變圖像的灰度層次，可表示如下［16］

式中，sk為原圖灰度值為k的像素經過變換后的新灰度值；T（rk）表示變換函數；pr（ri）是灰度值為i的像素頻率；L即圖像的灰度等級。

均衡化的目的主要在于突出隱含有紋理細節(jié)的圖像。由于地物包含著較豐富的紋理信息，其細節(jié)清晰度比均衡化之前會有較大提高，如圖4和圖5所示，沙漠和城市地區(qū)的原始影像灰度變化程度小，其中沙地的紋理顯得十分平坦，特征類似于云，但經過直方圖均化之后，呈現(xiàn)出明顯的顆粒感，灰度跳變幅度大，與云類有顯著的差異。城市地區(qū)經過直方圖均化則突出了建筑物等細節(jié)。而云類本身不隱含較復雜的細節(jié)，因此均化前后的紋理特性變化較小，如圖6和圖7所示，云類在經過直方圖均化后，只有對比度增強，紋理卻沒有變細，灰度的空間分布仍保持較好連續(xù)性。

圖4 沙地影像直方圖均衡化前后對比Fig.4 Comparison results before－and－after histogram equalization for sand images

圖5 城市影像直方圖均衡化前后對比Fig.5 Comparison results before－and－after histogram equalization for city images

圖6 積云影像直方圖均衡化前后對比Fig.6 Comparison results before－and－after histogram equalization for cumulus cloud images

圖7 薄云影像直方圖均衡化前后對比Fig.7 Comparison results before－and－after histogram equalization for thin cloud images

2.4 多尺度特征分析

對同一事物進行不同尺度的觀測，可以得到不同的結果。當遙感影像尺度較大時，主要看到的是地塊和海域，在尺度縮小、分辨率隨之升高的過程中，山脈、湖泊等地物則顯現(xiàn)出來，而當尺度繼續(xù)縮小之后，則可以看到街道、樓房、樹木等細節(jié)。相應的，在不同尺度不同分辨率下，圖像的特征在會產生變化。經過大量的試驗觀測可發(fā)現(xiàn)：對于某些類型的目標，其圖像特征會隨圖像的尺度變化而發(fā)生明顯的變化；而對于另外一些類型的目標，則對圖像的尺度變化具有較強的魯棒性，即其特征受圖像尺度變化的影響很小。因此，可以考慮通過改變圖像分辨率，研究不同目標的各類特征隨圖像尺度變化而變化的情況，來實現(xiàn)分類的目的。由于單一尺度下的特征空間中的云類和地物存在一定的混雜區(qū)域，為了減少誤判和漏判，本文將特征的多尺度延拓引入光學遙感影像云量檢測的研究，在多尺度下分析圖像特征的變化率，通過提取云類和地物在尺度變化情況下圖像特征變化的差異，從而進行進一步的云檢測算法優(yōu)化。

首先，通過低通抽樣濾波對圖像進行多尺度分解，盡管每一級影像都是對上一級的向下采樣，但是由于采樣之前進行了濾波，因此采樣間隔的點對于采樣后的圖像也有貢獻，在一定程度上保留了圖像的信息。本文對圖像先進行5×5的卷積濾波再進行隔點采樣［19］。設第k階的濾波圖像為gk，尺寸為Rk×Ck，則各階圖像有遞推公式

式中，需滿足歸一性、對稱性和均勻分布性，在這些條件約束下，此時圖像的多尺度分解類似于高斯金字塔分解。

由于云固有的物理特性，在圖像尺度不斷降低的過程中，云的紋理特性變化不大，而地物由于含有較豐富的細節(jié)，隨著圖像尺度降低，其紋理細節(jié)必然會不斷損失，且灰度的跳變程度也由于低通濾波的緣故不斷變小。這從直觀的角度解釋了云和地物在圖像分解過程中的變化情況是不同的。

從圖像特征的層面分析，對于每一級經過分解的影像，都可以提取出前文所述的各種特征，并且這些特征會隨著尺度的變化而變化，這個過程稱為特征退化，并稱某個特征在第k＋n級分解圖與第k級分解圖中的取值之比為該特征的k級n階退化率

本文利用特征退化率，在多尺度下進行進一步的圖像分析，提高了云檢測的準確率。

3 試驗分析

3.1 特征增強比較試驗

以下針對前文所示的圖4—圖7中4張影像，分析它們在直方圖均衡化前后的圖像特征變化情況，如表1所示。

表1 幾張影像經過直方圖均衡化前后的特征變化情況Tab.1 Changes of image feature parameters before－andafter histogram equalization

圖8—圖11對表1中的數據進行直觀展示，形象地體現(xiàn)了圖像特征經過直方圖均衡化之后的變化情況。

結合表1和圖8—圖11可以看出，經過直方圖均衡化處理之后，一些圖像特征發(fā)生了明顯的變化。而在均衡化處理之前，云和地物的這些特征都沒有分離，但經過直方圖均衡化之后，在一些圖像特征上，圖6、圖7的云和圖4、圖5的地物有了極其明顯的分離，例如，均衡化之前沙地的一階差分值最小，為0.755，但經過均衡化之后，增加到41.93；同樣城市的一階差分值經過均衡化也從3.178急劇上升到39.00；相反云類的一階差分值，雖然也有所增加，但分別只增加到6.34和10.87，尤其是圖6的厚云，均衡化前的一階差分是4組數據中最大的，但均衡化后增量很小，結果遠小于沙地和城市兩類地物；再比如二階矩，該特征越小表示紋理越細，經過均衡化之后，兩類地物的二階矩均遠小于兩類云，還原了地物紋理細的特點；同樣，經過均衡化之后，兩類地物的慣性矩增量明顯，達到8以上，而云類的慣性矩變化則相對較小，均衡化后的慣性矩值均小于1，與地物產生明顯差異，由于慣性矩體現(xiàn)了紋理的溝紋深淺，由此可見，經過均化的地物很好地還原了紋理較深的特點。

圖8 云地的方差經均衡化前后的變化Fig.8 Variance changes of clouds and grounds before－and－after histogram equalization

圖9 云地的一階差分經均衡化前后的變化Fig.9 First difference changes of clouds and grounds before－and－after histogram equalization

圖10 云地的二階矩經均衡化前后的變化Fig.10 Secondary moment changes of clouds and grounds before－and－after histogram equalization

圖11 云地的慣性矩經均衡化前后的變化Fig.11 Inertia moment changes of clouds and grounds before－and－after histogram equalization

通過試驗分析可知，直方圖均衡化后的子圖有以下優(yōu)點：

（1）增強了部分紋理特征，拉大了云地差距，使兩者的混雜區(qū)域明顯變小。圖12和圖13比較了195個云類樣本和181個地物類樣本經過均衡化前后，云和地物在一階差分特征空間中分布的變化情況?？梢钥闯?，經過直方圖均衡化之后，云類和地物類在一階差分這個特征上的分布區(qū)域被拉開，地物的一階差分值整體高于云類。

圖12 均衡化前云類和地物類子圖的一階差分值分布情況Fig.12 Distribution of first difference of clouds and grounds before histogram equalization

圖13 均衡化后云類和地物類子圖的一階差分值分布情況Fig.13 Distribution of first difference of clouds and grounds after histogram equalization

（2）提高了云檢測算法的適用性。傳統(tǒng)紋理分析法受以下幾點因素限制：①受傳感器限制，不同傳感器的影像可能存在分辨率不同、輻射情況不同等區(qū)別，使某些云檢測方法只適用于個別傳感器，對其他傳感器的衛(wèi)星影像則效果較差；②受產品生產和瀏覽圖生成方式的限制，0級數據或瀏覽圖的重采樣方式、色階壓縮變換方式等處理方法不同，使用于云判的影像的圖像特征有區(qū)別，這也是導致云判算法適用性有限的原因之一。但經過色調均化后，在一定程度上統(tǒng)一了圖像，使云檢測算法的適用性得到提高。

（3）有利于薄云的檢測。薄云由于具有一定的透明性，一直是云檢測的難點。首先其透明性導致圖像特征值往往介于云類和地物類之間，容易誤判；其次，對于透明度較高的薄云，可以看見其下墊面，往往歸為地物，而透明度較低的薄云，下墊面模糊不清，則一般歸為云類，這為薄云的檢測增加了復雜性。通過直方圖均衡化的圖像，薄云的存在被強化，且對于透明度高的薄云，其下墊面的紋理會得到一定程度的恢復，而對于透明度低的薄云，則呈現(xiàn)出云的形態(tài)。如圖14所示，經過直方圖均衡化后，薄云透明度高的區(qū)域，地物的紋理得到了較好的還原，而薄云透明度低的區(qū)域，則呈現(xiàn)出云的形態(tài)，這就便于薄云的檢測。

圖14 薄云影像均衡化前（a）后（b）對比Fig.14 Comparison of thin cloud images before（a）－and－after（b）histogram equalization

對子圖進行直方圖均化處理是資源三號測繪衛(wèi)星編目瀏覽圖云檢測中最關鍵的步驟之一。通過這一處理，可以使錯綜復雜的云類和地物類的區(qū)分工作得到極大的簡化，不僅提高了計算效率，也提高了分類結果的準確率。

本文選取了195個云類子圖樣本和181個地物類子圖樣本，經過直方圖均衡化預處理之后，其中一階差分值分布如前文圖13所示?？梢钥闯觯祁悩颖驹诮涍^直方圖均衡化之后的一階差分值主要分布在0～5之間，而地物樣本則分布在5～30之間，說明經過直方圖均衡化后，圖像的一階差分值能夠較好地體現(xiàn)云地特性，在一定程度上起到云地區(qū)分的作用，但在一階差分值為5的上下區(qū)域，仍有不少云類和地物混合在一起，因此僅靠一階差分并不能準確地區(qū)分云地。

另外，圖15和圖16分別反映了經過直方圖均衡化處理后樣本中，云地的二階矩和慣性矩分布情況。由圖15可以看出，二階矩具有良好的云地區(qū)分能力，經過直方圖均衡化之后的大多數云的二階矩值均小于地物。但仍有約10%的云類和地物混雜在一起。而圖16中反映出慣性矩也具有一定的區(qū)分云地的能力，但效果遠不如二階矩，因為地物的慣性矩值分布很不集中，廣泛地分布在0～4之間，而云類的慣性矩值普遍較低，但也有一定比例的云具有較高的慣性矩值。從圖像的整體角度上看，說明地物的圖像既有較深的溝紋，也有較淺的溝紋，圖像從清晰到模糊均有；而云類的圖像溝紋普遍較淺，灰度變化較緩且小，效果模糊，但也存在一部分云圖具有較深的溝紋和較清晰的效果。

圖15 云和地物的二階矩值分布圖Fig.15 Distribution of secondary moment of clouds and grounds

圖16 云和地物的慣性矩值分布圖Fig.16 Distribution of inertia moment of clouds and grounds

3.2 多尺度特征提取試驗

灰度均值對尺度的變化具有很強的魯棒性，圖像分解的過程中灰度均值變化很??；而一階差分在圖像分解中呈現(xiàn)出較大的變異性，且該特征的退化率與云地分類具有較高的契合度。本文選取了在單一尺度下誤判的云地樣本各50張，圖17為這些樣本的一階差分特征的0級1階退化率分布情況?？梢钥闯?，通過多尺度的分析，可以進一步改善云檢測效果。

3.3 云檢測綜合試驗

為了驗證該云檢測算法，本文選取了多幅不同資源三號測繪衛(wèi)星編目瀏覽圖進行試驗。

圖17 云和地物的一階差分0級1階退化率分布情況Fig.17 First－order degeneration distribution of first difference of clouds and grounds of level 0images

圖18（a）為一幅云含量約為60%的遙感影像，影像上的云灰度大多在145～210之間，地物的灰度值大多在70～185之間，圖上包含了層云和薄云，云與地物沒有明顯的分界。根據本文的云檢測算法進行處理，得到檢測結果如圖18（b）所示。其中黑色部分為灰度均值低于80的子圖，由于在這個灰度水平下，云的概率極低，因此可以直接認為是地物。白色部分代表了檢測出來的云，其余部分為地物，計算得到云量比例為57.13%，符合預期結果。

圖18 原始影像（a）和檢測結果示意圖（b）Fig.18 Original image（a）and result image（b）

為了分析特征多尺度延拓對云量檢測效果的影響，試驗選取了一幅包含了層云、卷云和積云的遙感影像，如圖19（a）所示。該圖的云含量為100%，在實際生產中，一般視為廢片。對該圖在單一尺度下進行特征分析，檢測出屬于云類的子圖，如圖19（b）所示，灰色區(qū)域為在這一步尚未檢測出云的子塊。這部分子塊內的影像，溝紋較細，紋理復雜度較高，和地物存在一定的相似性，這體現(xiàn)了單一尺度下特征分析的局限性。對該圖進行特征的多尺度分析，即求取一階差分在各個子圖經過分解之后的0級1階退化率，灰色區(qū)域為通過征多尺度延拓分析后所檢測出來的云子圖，經過圖像的多尺度分析，云檢測的效果得到了很大的提升。

圖19 原始影像（a）和多尺度檢測結果（b）Fig.19 Original image（a）and result image in multi－scale（b）

為了進一步驗證算法對薄云的檢測能力，試驗選取了兩張含有大量薄云的影像，其中圖20（a）中的薄云絕大部分不具備透明性，其下墊面已模糊不清，只有陸地和水域的交界還依稀可見；而圖20（b）的薄云透明程度不均勻，其透明的部分可以看到地面信息，尤其是對于傳感器校正產品［1］，具有遠高于相應縮略圖的分辨率，能夠通過去云的方式還原下墊面的影像，基于這點考慮，當云的透明度高到一定程度時，可歸為地物類，以減少不必要的數據浪費。

圖20 均勻薄云（a）和不均勻薄云（b）Fig.20 Uniformly thin clouds and non－uniformly thin clouds

對圖20使用本文的檢測算法進行云檢測，得到結果如圖21所示，同樣白色部分代表云子圖。圖21（a）所計算出的云量值為94.34%，而圖21（b）所計算得到的云量值為62.11%，均基本與預期相符。

另外，本文選取了993幅資源三號測繪衛(wèi)星編目生成的瀏覽圖作為試驗待測樣本，通過人工目視給定云量值，然后根據所提出的云量檢測算法計算所有圖中所含云量。待測樣本的總數據量為160MB，總計算時間為74s，平均每副影像檢測時間為0.075s。對于實際工程應用而言，通常評價云量自動檢測效果的指標并非檢測精度，而是檢測結果的準確率。若設定與人工結果相差±5%以內為準確，否則為不準確，則符合準確條件的影像個數為852幅，準確率為85.80%；若設定與人工結果相差±10%以內為準確，則符合準確條件的影像個數為931幅，準確率為93.76%。

圖21 均勻（a）和不均勻（b）薄云檢測結果Fig.21 Result image of uniformly thin clouds（a），result image of non－uniformly thin clouds（b）

4 結 論

本文對資源三號測繪衛(wèi)星編目瀏覽圖的云量檢測進行了分析，對待檢測的影像進行子圖分割，將子圖作為云量檢測的基本單元，把云目標識別問題轉化為子圖的云地分類問題。在使用圖像特征進行分類之前，采用直方圖均衡化對原影像進行預處理，以突出地物的紋理細節(jié)，解決了傳統(tǒng)的紋理分析方法進行云量檢測時所面臨的云地在各個特征空間中分布不集中且混雜程度高的問題，分析并提取了灰度均值、方差、一階差分、二階矩等圖像特征作為云地分類的有效特征，并對圖像特征進行多尺度延拓分析，將特征退化率與云地分類相結合，采用樹狀判別結構的方式進行云量檢測。試驗結果表明，云檢測算法達到了較高的檢測準確率。

［1］ PAN Hongbo，ZHANG Guo，TANG Xinming，et al.The Geometrical Model of Sensor Corrected Products for ZY－3Satellite［J］.Acta Geodaetica et Cartographica Sinica，2013，42（4）：516－522.（潘紅播，張過，唐新明，等.資源三號測繪衛(wèi)星傳感器校正產品幾何模型［J］.測繪學報，2013，42（4）：516－522.）

［2］ HARUMA I，TAKASHI Y N.Development of an Unbiased Cloud Detection Algorithm for a Spaceborne Multispectral Imager［J］.Journal of Geophysical Research－Atmospheres，2009.DOI：10.1029／2008JD010710.

［3］ YANG Tieli，HE Quanjun.Cloud Detection in MODIS Data［J］.Journal of Anshan University of Science and Technology，2006（2）：162－166.（楊鐵利，何全軍.MODIS數據的云檢測處理［J］.鞍山科技大學學報，2006（2）：162－166.）

［4］ PASQUALE L S，MICHELLE A B，JOHN L D.Devel－opment of the Landsat Data Continuity Mission Cloud－Cover Assessment Algorithms［J］.IEEE Transactions on Geoscience and Remote Sensing，2012，50（4）：1140－1154.

［5］ PAN Cong，XIA Bin，CHEN Yu，et al.Cloud Detection of MODIS Data Based on FCM［J］.Microcomputer Information，2009（4）：124－125，131.（潘聰，夏斌，陳彧，等.基于模糊聚類的MODIS云檢測算法研究［J］.微計算機信息，2009（4）：124－125，131.）

［6］ GUO Hongtao，WANG Yi，LIU Xiangpei，et al.Integrated Optimal Method of Cloud Detection with Meteorological Satellite Data［J］.Journal of PLA University of Science and Technology（Natural Science Edition），2010，11（2）：221－227.（郭洪濤，王毅，劉向培，等.衛(wèi)星云圖云檢測的一種綜合優(yōu)化方法［J］.解放軍理工大學學報（自然科學版），2010，11（2）：221－227.）

［7］ YAN Yusong，LONG Teng.Real－Time Cloud Detection in Optical Remote Sensing Image［J］.Transactions of Beijing Institute of Technology，2010，30（7）：817－821.（閆宇松，龍騰.遙感圖像的實時云判技術［J］.北京理工大學學報，2010，30（7）：817－821.）

［8］ ZHOU Quan.The Classification of Remote Sensing Cloud Images Based on Multiscale Features［D］.Hefei：University of Science and Technology of China，2010.（周全.基于多尺度特征的遙感云圖分類［D］.合肥：中國科學技術大學，2010.）

［9］ ZHOU Lijuan.Cloud Detection Algorithm Research For Optical Satellite Image［D］.Xi’an：XiDian University，2012.（周麗娟.可見光衛(wèi)星圖像的云檢測算法研究［D］.西安：西安電子科技大學，2012.）

［10］ CHEN P Y，SRINIVASAN R，F(xiàn)EDOSEJEVS G，et al.An Automated Cloud Detection Method for Daily NOAA－14AVHRR Data for Texas，USA［J］.Remote Sensing，2002，23（15）：2939－2950.

［11］ TAO Shuping，JIN Guang，ZHANG Guixiang，et al.A Wavelet SCM Algorithm Used to Detect Cloud in Remote Sensing Cameras［J］.Acta Geodaetica et Cartographica Sinica，2011，40（5）：598－603.（陶淑蘋，金光，張貴祥，等.實現(xiàn)遙感相機自主辨云的小波SCM算法［J］.測繪學報，2011，40（5）：598－603.）

［12］ SHEN Na，ZHENG Tianyao，WANG Zhensong.High－speed and High－accuracy Algorithm for Cloud Detection and Its Application［J］.Journal of Remote Sensing，2009，13（6）：1138－1155.

［13］ XIA Deshen，JIN Sheng，WANG Jian.Fractal Dimension and GGCM Based Meteorology Cloud Pictures Recognition－Description of Texture Complexity and Roughness by Fractal Dimension（Ⅰ）［J］.Journal of Nanjing University of Science and Technology，1999，23（3）：90－93.（夏德深，金盛，王健.基于分數維與灰度梯度共生矩陣的氣象云圖識別（Ⅰ）——分數維對紋理復雜度和粗糙度的描述［J］.南京理工大學學報，1999，23（3）：90－93.）

［14］ XIA Deshen，JIN Sheng，WANG Jian.Fractal Dimension and GGCM Based Meteorology Cloud Pictures Recognition－Description of Texture Statistical Characteristics by Gray Level－gradient Co－occurrence Matrix（Ⅱ）［J］.Journal of Nanjing University of Science and Technology，1999，23（4）：289－292.（夏德深，金盛，王健.基于分數維與灰度梯度共生矩陣的氣象云圖識別（Ⅱ）——灰度梯度共生矩陣對紋理統(tǒng)計特征的描述［J］.南京理工大學學報，1999，23（4）：289－292.）

［15］ CHEN Peng，ZHANG Rong，LIU Zhengkai.Feature Detection for Cloud Classification in Remote Sensing Images［J］.Journal of University of Science and Technology of China，2009（5）：484－488.（陳鵬，張榮，劉政凱.遙感圖像云圖識別中的特征提取［J］.中國科學技術大學學報，2009（5）：484－488.）

［16］ GONZALEZ C R.Digital Image Processing［M］.2nd ed.Beijing：Electronic Industry Press，2008：72－74.（岡薩雷斯.數字圖像處理［M］.第2版.北京：電子工業(yè)出版社，2008：72－74.）

［17］ WALKER R F，JACKWAY P T，LONGSTAFF I D.Recent Developments in the Use of the Co－occurrence Matrix for Texture Recognition［C］∥Proceedings of 13th International Conference on Digital Image Processing.［S.l.］：IEEE，1997：63－65.

［18］ FENG Jianhui，YANG Yujing.Study of Texture Images Extraction Based on Gray Level Co－occurence Matrix［J］.Beijing Surveying and Mapping，2007（3）：19－22.（馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究［J］.北京測繪，2007（3）：19－22.）

［19］ ZHOU Quan，ZHANG Rong，YIN Dong.The Extracting of Multiscale Features of Remote Sensing Cloud Images Based on Gaussian Pyramid［J］.Remote Sensing Technology and Application，2010（5）：604－608.（周全，張榮，尹東.基于高斯金字塔的遙感云圖多尺度特征提?。跩］.遙感技術與應用，2010（5）：604－608.）

［20］ JIA Yonghong.Digital Image Processing［M］.Wuhan：Wuhan University Press，2003：182－184.（賈永紅.數字圖像處理［M］.武漢：武漢大學出版社，2003：182－184.）