《快速高准确度云检测算法及其应用》论文笔记

《快速高准确度云检测算法及其应用》----单娜------2009年遥感学报

推荐指数：※※※（三颗星）

日期：2019、06、24

---

由于刚入手云雪检测方面的文章，好像并不是很多的样子。就先找几篇中文的熟悉下套路。这是2009年的一篇老文章了，只是根据一些统计出来的特征，使用了一个树状的判别结构进行云检测。具体分类器可联想CART决策树，不同的是作者设计的树状结构更为稍复杂。

作者使用统计并分析了中巴地球资源卫星02B光谱和纹理特征，使用阈值规则进行树状分类。

• 对于光谱特征，可以根据经验（经验来自于对于大量历史数据的分析）设置一个经验阈值；也可以对于图像本身进行阈值的选取。经验阈值在统计上最优，但是并不能保证对每幅遥感影响都能得到很好的分辨结果。很简单了
• 对于纹理特征，这里使用的是分形维数（计盒维数）和角二阶矩（ASM）。

角二阶矩值是图像灰度分布均匀性的度量；适合于识别大面积的同类物体。

对于纹理较粗的地方，ASM较大，所含能量多；对于纹理比较细的部分，其ASM较小，所含能量小。

云层的灰度值变换平缓，纹理细节少，ASM大；地面目标灰度值变换明显，纹理丰富，ASM小。

分形维数 D 反映物体纹理的复杂程度：

D越大，分形越复杂；反之，越规则。

云层的灰度值变换平缓，纹理细节少，D偏小；地面目标灰度值变换明显，纹理丰富，D偏大。

 

纹理分析的方法从统计的角度，分析像元点之间在空间上的相互关系，提取物体表面纹理的粗糙程度、变化规律和相似程度等特征，但是忽略了云的独特光谱特征。

分形维数对云的判别的肯定性高和角二阶矩值对下垫面与云的区分性高，两者相互补充。

---

文章优劣点：

1. 优化了分形维数的计算方法，速度快五倍（.......）。该方法的限制是尺度必须是倍增的，比如2->4->8>16->32
2. 对于云层边缘灰度变化剧烈的部分，容易误检成下垫面。
3. 分析了各个光谱和纹理的阈值，可以为后续研究提供参考

亮点只在第一条，其他没有什么太大的亮点。毕竟09年的文章了，不应该对它有太大的苛求。