欢迎浏览陕西省地质调查院网站！
简体| 繁体 加入收藏 设为首页 公众号
地学科普
地质沙龙
矿产知识
地质灾害
名家讲坛
在线调查
  • 您最喜欢的省内地质遗迹是哪个？
陕西洛川黄土国家地质公园
陕西岚皋南宫山国家地质公园
翠华山山崩国家地质公园
黄河壶口瀑布国家地质公园
秦岭终南山世界地质公园
耀州照金丹霞地质公园
地质沙龙
当前位置：首页 > 地质文化 > 地学科普 > 地质沙龙
遥感图像云检测方法综述
来源： ?测绘学术资讯 | 作者： | 时间：2023-02-15 14:49:01 | 人气：
　　01 研究背景 
　　近些年，随着遥感技术的迅速发展以及大数据技术的广泛应用，对地观测数据量增长迅速。2021年1月21日发布的《中国对地观测数据资源发展报告》显示，中国对地观测数据总量已经接近100PB，其中大量的遥感图像数据可以最为直观地展示地球各类观测信息，极大地推动了人类对于地球的理解和认识。在各类遥感图像当中，光学遥感卫星获取的光学遥感图像数据在诸如目标检测、语义分割、场景理解、变化检测等领域。相关技术也广泛应用于地图 导航、气象/海洋监测、防灾检测、军事侦察等各个方面。然而，国际卫星云气候学计划 (international satellite cloud climatology project， ISCCP)显示，地球平均云层的覆盖率超过66%。云层遮挡导致的光学遥感图像信息的缺失，对下游的遥感图像处理和识别造成很大的影响。因此，发展遥感图像的云检测技术，是判别 遥感图像观测信息缺失程度以及遥感图像进一步利用的关键。
　　遥感图像的云检测是遥感图像识别领域的热门方向之一。1982年提出的国际卫星云气候学计划(ISCCP)当中，云检测技术就是其中重要的组成部分。自20世纪80年代以来，随着卫星遥感图像处理技术的不断发展，遥感图像的云检测方法逐步形成了三种主流的技术路线。
　　本文从云检测三种不同的主流技术路线出发，详细介绍了遥感图像云检测方法的研究进展和现状，对不同技术路线的代表性云检测工作进行了对比分析。介绍了遥感图像云检测的公开数据集并对比了各类代表性方法的云检测精度。此外，简要梳理了与云检测相关的云雾(霾)检测、云雪检测、云阴影检测以及去云的代表性工作。最后对国内外研究当前存在的问题和未来的发展方向进行了分析和展望。
　　02 主要内容
　　光学遥感图像中云层会对地面信息进行不同程度的遮挡，造成了地表观测信息的模糊和缺失，极大地影响遥感图像的成像质量。因此，对遥感图像中云层覆盖的检测和评估是进一步分析和利用遥感图像信息的基础和关键。通过充分的调研和对比总结，梳理了20世纪90年代以来，国内外基于遥感图像的云检测方法的发展趋势和代表性工作。将基于遥感图像的云检测方法分为三类：基于光谱阈值的方法、基于经典机器学习的方法以及基于深度学习的方法。总结了当前国内外云检测公开数据集，并对比了部分代表性工作的云检测精度。此外，简要梳理了与云检测相关的云雾（霾）检测、云雪检测、云阴影检测以及云去除等方法。对当前云检测相关工作中存在的问题和未来的发展趋势进行了分析和展望。
　　03 总结与展望
　　通过前文对云检测方法以及相关工作的梳理和总结，可以看出，云检测的主流方法从传统的基于光谱阈值和经典机器学习的方法逐步转向基于深度学习和人工智能的云检测方法。虽然国内外已经提出了许多基于遥感图像的云检测方法以及相关研究工作，但是当前云检测任务仍存在许多问题，需要未来进一步研究。
　　1) 研发高泛化能力的云检测方法：当前云检测方法大多仍需要针对不同遥感卫星获取的遥感图像数据训练不同的模型，单个模型难以对不同遥感图像数据进行泛化。虽然近期已有研究人员提出相关方法尝试解决这一问题，但相关研究仍处于初级阶段。因此，研究适用于不同遥感图像来源和成像特点的、具有高泛化性能 的云检测模型是十分有挑战性的工作。 
　　2) 减少人工标注信息的需要：当前基于深度学习的云检测工作大多使用基于监督学习的像素级分类方法，需要大量的人工标记信息。已有少部分工作提出了基于弱监督方法的云检测工作，但是研究相对较为初步。当前计算机视觉领域，弱监督、半监督、自监督等学习方法被广泛研究，在某些任务上已经取得了与监督学习相当的性能。近期，已有部分工作将弱监督的学习方法应用于云检测的任务当中，并且取得了与监督学习相当的检测精度。这也可以看出使用不同学习方法进行云检测或相关方向的研究潜力巨大。因此，针对云检测相关任务，如何在保证精度前提下，减少人工标记数据的需求， 需要进一步研究。
　　3) 提升云阴影检测精度：随着高分辨率遥感技术的发展，云层产生的云阴影也会极大影响遥感图像的成像质量。当前随着云检测技术的不断发 展，云检测精度已经相对较高(IoU可达85%)。但是，对于云阴影的检测精度仍不太理想(IoU 约为 60%)。因 此，如何设计同时对云层和云影实现高精度检测的模型仍需要进一步研究。 
　　4) 研发多源多模态数据融合的云检测方法： 当前的云检测方法大多仅使用遥感图像本身作为输入，并输出云检测的结果。遥感图像这一单一类型难以充分体现观测区域的全部信息。因此，近期有部分工作将其他信息与遥感图像进行融合，提升云检测模型的检测性能。例如，Wu等人通过将遥感图像与对应位置的经纬度和海拔信息进行匹配融合，实现了高精度的云雪的检测和区分;Wu等人将场景信息融入云检测模型，同时实现了遥感图像的云检测和场景分类。因此，未来使用更多源的信息进行融合辅助，是遥感图像云检测及其相关研究方向的发展趋势之一。 
　　5) 减少图像标签的噪声：对于当前主流的基于深度学习的云检测方法，其核心是自然图像当中的语义分割任务(即，使用基于像素标注的图像所训练的模型，对图像进行像素级别的分类)。然而，与自然图像不同，在遥感图像中，云的形态、厚度变化较大。对于薄云的有无以及云边界通常难以用肉眼区分。这对人工进行云/无云的标注造成了较大的困难，使得数据标签本身会有较大的噪声，从而影响模型的训练结果。因此， 对标注方法进行统一来尽量降低标签中的噪声或设计更加鲁棒的云检测模型仍是需要进一步研究的方向。 
　　6) 研发高效智能云检测方法：基于深度学习的云检测算法相较于传统的基于光谱阈值的方法虽然检测精度相对更高，但往往需要GPU等高性能计算硬件的支持。因此，当前基于深度学习的云检测方法需要基于卫星传回地面的图像数据进行本地的运算和处理，整个流程相对较为耗时。因此，如何在保证检测精度的前提下，设计高效的智能云检测方法，加速云检测方法的推理速度，从而实现星上处理，是未来基于深度学习的云检测技术实现实际部署和业务化运行的关键。