余长慧，于海威，张 文，孟令奎

(武汉大学遥感信息工程学院，湖北 武汉 430079)

随着高分辨率对地观测技术的发展，利用遥感影像快速提取地物信息已成为遥感应用领域的重要工作。虽然目前已经开发了许多卫星影像分类方法以提取影像信息，但由于受云层遮挡影响，均难以实现精确、自动化提取。云层遮挡问题在光学影像中很普遍，相关研究表明，全球表面平均每年云覆盖量接近66%[1- 2]。云的出现导致遥感影像局部模糊不清，很容易造成信息误判。云检测过程本质上可视为一种影像分类或分割任务，近年来大量研究围绕云检测展开。文献[3—4]提出一种Fmask(function of mask)算法用于Landsat 4- 7影像云和云影检测；文献[5]通过对比同一区域有云与无云影像，识别出云覆盖范围；文献[6]将常用机器学习算法用于Sentinel- 2影像，实现云、雪、阴影和水体等对象的检测；文献[7]采用高斯混合模型拟合影像灰度直方图自动确定云像素灰度阈值；文献[8]采用改进的颜色转换模型、阈值分割及强度信息等进行云检测；文献[9]利用支持向量机区分云和非云区域，采用词包模型解决云特征多样化问题；文献[10]利用光谱、几何、纹理等特征实现对GF- 1 WFV数据的云检测；文献[11]提出一种自适应池化层嵌入神经网络模型用于资源三号卫星影像云检测；文献[12]将GF- 1/2缩略图分割成图块，建立多层卷积神经网络模型检测云层覆盖范围；文献[13]提出一种叠加颜色、纹理、结构和统计信息的RGB图像场景学习云检测方法。

现有云检测方法基本采用将整景影像分解成图斑的方式，导致连续的云覆盖现象被截断，产生明显具有块状效应的云覆盖区域，真实空间精确度低；……