基于马氏距离和SLIC算法的云检测模型

本文采用超像素分割方法，针对传统的SLIC算法进行研究，通过提高分割精度来提高云检测的准确率。为了改进SLIC算法中的聚类效果，采用马氏距离代替SLIC算法中的欧氏距离进行聚类，利用阈值法对划分出的每个超像素进行二值化处理，即将云和地物分类。本文设改进前算法为O-SLIC，改进后算法为M-SLIC。在本文建立的云图数据库上将二者进行了比较，得到以下结果：M-SLIC算法的云识别率比O-SLIC算法的高；M-SLIC云检测的ROC曲线面积比O-SLIC算法大且最优分类点更靠近(0, 1)点。这些结果说明对于云图数据库中的大部分图像，M-SLIC算法相比于O-SLIC算法具有改良效果。M-SLIC算法综合了聚类和分类的特点，利用马氏距离，使算法在云检测的准确率上有所改善。

卫星云图常常受到云层干扰，造成信息的大量丢失甚至图像的直接废用[1]。因此建立一套遥感图像云检测模型成为一项重要的研究工作。

遥感图像云检测技术通常指通过定量分析遥感云图，将云和地物区分的技术[2]。早期经典的云检测方法大多基于多谱段卫星图像融合技术，根据云在不同谱段下的反照率，选取适当的单一阈值，进行云识别[3]。该方法至今仍被广泛应用，具有代表性的经典方法有NDVI 法、D 阈值法等[4]。

但是目前这些云检测方法大多针对单一类型的遥感数据，而且阈值的选择容易受到季节、纬度、地表类型等影响[5]。特别地，由于受到气候环境因素，不同时刻、地域、传感器的反射率和亮温不同，阈值也会随之不同，进而难以选择合理的阈值[6]。这也是云检测方法的难点。

针对这些问题，目前提出了基于卷积神经网络的高分辨率遥感图像云检测方法[7]，获取云特征后采用超像素分割方法进行图像分割，最后将检测结果影像块拼接，完成整幅影像云检测[8]。这种云检测方法不受光谱范围限制，云检测精度高，误判较少，适合国产高分辨遥感影像云检测。

因此按照这种原理，本文提出一种用马氏距离改进SLIC 算法中欧式距离的思路，即设欧氏距离为Od ，马氏距离为Md，改进后的距离即为 ()1OMddαα+−，式中01α<< 为未知参数。 (1) 之后寻找合适的阈值，进行图像的黑白二值化，完成云检测。

本文构造云图数据集， 包括300 张不同区域、不同时间的云图， 经过多次实验， 训练出合适的参数， 对云层准确率进行了一定的改进。为了方便叙述，设改进前算法为O-SLIC，改进后算法为M-SLIC。

本文的改进用聚类的方法处理了分类的问题，也改善了欧氏距离不适于云图分类的一些问题，提高了图像分割的精度和云图识别的准确率和灵敏度，扩大了云检测算法的使用范围。