基于光谱及几何信息的TM图像厚云去除算法

秦 雁，邓孺孺，何颖清，陈 蕾，2，陈启东，熊首萍

(1.中山大学地理科学与规划学院，广州 510275;2.国家海洋局南海海洋工程勘察与环境研究院，广州 510300)

基于光谱及几何信息的TM图像厚云去除算法

秦 雁1，邓孺孺1，何颖清1，陈 蕾1，2，陈启东1，熊首萍1

(1.中山大学地理科学与规划学院，广州 510275;2.国家海洋局南海海洋工程勘察与环境研究院，广州 510300)

为了去除厚云及其阴影对光学遥感图像的影响，以TM图像为实验数据提出一种基于光谱及几何信息的去厚云算法。在分析单图像云区多光谱特征及对比多时相图像光谱特征的基础上，首先检测光谱特征明显的厚云，依据云和云影成对出现的成像几何关系，按确定的方位和距离搜索云影;然后采用数学形态学的侵蚀与膨胀算法对云区边缘进行碎片去除及填补、合并处理，使其准确反映图像中受云影响的数据总量;最后利用光谱线性回归匹配后的参考图像替换目标图像中的云区，达到去云目的。实验结果表明，上述算法去厚云效果显著，能够有效排除水体及地形阴影对云影识别的影响，具有快速、简单、实用性强的特点。

云检测;云影检测;去云;TM图像

0 引言

光学遥感图像在成像过程中易受大气状况的影响，以致在实际应用中常常难以获得完全无云的图像，对于南方多云多雨地区，这种情况尤甚。因此，快速无云区自动提取和镶嵌技术研究对于拓展图像的可用性具有重要意义。然而云及云影具有不稳定性和运动性，在时间和空间上差异较大，而且不同季节、不同高度的云及云影的反射率都会有所不同，因此云和云影的检测与去除已成为遥感图像处理的中一大难题［1］。目前，去除薄云通常采用同态滤波［2］、傅里叶变换［3］、小波分析［4］、色阶调整［5］等方法，将云及云影视为噪声，通过提取地物高频细节信息、抑制云及云影低频信息，达到去云目的。厚云将下垫面信息完全遮挡，上述针对薄云的滤波方法不适用于去除厚云［6］。厚云去除分为云区(云和云影)检测和图像替换镶嵌2个步骤。现有云检测模型按利用的光谱信息不同，可分为单景图像特征光谱检测模型和多时相图像对比光谱检测模型2类:①直接利用单景含云图像中某些对云区具有敏感性的波段信息而建立，包括多光谱综合法［7－12］、亮温差值法［13］、云指数法［14］以及像元信息分解法［1，15］等，此类模型简便易行，但容易将具有高反射率特征的裸地、开发地、居民地等地物误判为云层，而云影则更易与水体及地形阴影等暗目标混淆;②利用同一区域多时相图像，根据含云和无云图像对比光谱差异信息建立，此类模型能够较好地避免误判，是目前主流的去云算法［6，16－23］。云区替换融合方法采用多时相、同区域无云图像进行镶嵌处理，旨在恢复厚云遮盖的下垫面信息，是厚云去除的另一项重要研究内容。受土地利用、植被覆盖、土壤湿度、光照条件和大气状况等多种因素的影响，不同时相的图像会有一定的光谱差异。为避免融合图像产生拼接边缘，常采用线性回归［6］、相对变化率［17］、回归树［18］、直方图匹配［19］和支持向量机［23］等方法进行多时相图像光谱匹配。

到目前为止，对薄云去除方法的研究比较多，对厚云去除方法的研究却不是很深入，更缺乏对云阴影消除的研究。现有云检测技术通常割裂了云和云影的成对关系，只是利用光谱特征单独判断是否有云或有云影，易造成对地面类似云和云影区域的误判［16］。针对上述问题，本文提出一种联合利用多时相光学遥感图像光谱信息及云与云影之间成像几何关系的云区检测方法，并采用线性回归法进行图像光谱匹配、完成TM图像的去云镶嵌处理，取得较好的去厚云效果。

1 研究区概况

本文选择2006－11－10成像的122－44轨道珠江三角洲区域TM图像作为目标图像，截取图像中的方形区域(4000像元×4000像元)作为实验区，其TM5(R)，TM4(G)，TM3(B)假彩色合成图像如图1所示。

图1 珠江三角洲TM5(R)，4(G)，3(B)假彩色合成目标图像Fig.1 Target image of Zhujiang delta composed of TM5(R)，4(G)，3(B)

目标图像的北部存在许多分散分布的厚云、薄云及云影区域。为减少因地物或植被长势变化造成的光谱差异的影响，应当尽量选取接近目标图像成像时间或者不同年份同时期的数据作为参考图像。因受数据源限制，本文以2007－01－29获取的同轨道无云TM图像作为参考图像进行去云实验。虽然目标图像与参考图像获取时间相差近3个月，但图像中植被变化并不明显，只有少部分农田、河滩和开发地发生变化，不影响采用本文方法进行的去云实验。

2 原理及方法

2.1 方法技术流程

去云技术流程如图2所示，可分为3大步骤:①图像预处理——多时相图像几何配准及无云区光谱匹配;②光谱及几何信息耦合云区检测;③云区像元替换镶嵌。

图2 去云技术流程图Fig.2 Flow chart of cloud removal

1)多时相图像几何配准及无云区光谱匹配。该部分属于图像预处理，目的是使参考图像在空间位置及光谱特征两方面均与目标图像匹配，为后续云区检测及图像替换镶崁做好准备。具体步骤包括:①以同一景具有地理参照的图像为标准，分别完成目标图像及参考图像的几何配准;②根据目标图像云区光谱特征直接检测厚云和云影;③应用数学形态学侵蚀及膨胀运算对厚云和云影掩模进行处理，获得更具代表性的云及云影掩模;④根据厚云及云影的几何关系圈定云影搜索范围以修正云影掩模，排除其中误判的疑似像元;⑤在云及云影掩模的辅助下，完成参考图像与目标图像对应无云区光谱线性回归匹配。

2)光谱及几何信息耦合云区检测。该部分是在经图像预处理得到匹配图像的基础上，综合利用图像光谱信息和几何信息进行云区精确检测。其中包括:①在目标图像厚云光谱特征的基础上，加入匹配图像对比光谱特征，精确检测厚云，削弱高反射率地物对厚云识别的影响;②依据厚云及其阴影的几何关系确定云影搜索范围，在此限定范围内应用目标图像云影光谱特征及匹配图像对比光谱特征，精确检测云影，排除水体、山体阴影等低反射率地物对云影识别的干扰。

3)云区像元替换镶嵌。根据云区检测中生成的云及云影掩模，将目标图像中的云区像元用匹配后的参考图像对应的无云像元替换镶嵌，完成去云处理。

2.2 多时相图像几何配准及光谱匹配

2.2.1 图像配准

几何纠正采用图像到图像的配准方法，以具有地理参照的图像为标准，首先选择待纠正图像的4个角点、采用拟合多项式完成图像几何粗纠正;再选择若干均匀分布的控制点、采用薄板样条函数完成图像几何精纠正，使配准精度保证在1个像元以内。

2.2.2 基于目标图像特征光谱的云区检测

在TM目标图像中，选择清洁水体、沙洲、居民地、水田、旱地、林地、裸地、云影和厚云等地物分别进行剖面线DN值采样(各地物采样光谱值的个数为40～50个)。通过分析不同地物DN值剖面采样曲线(图3)，建立厚云和云影光谱判别模型。

1)厚云判别模型。云层发生无选择散射，其在各个波段的光谱值都明显高于无云区地物(尤其是在红外波段)。云层在各波段的DN值具有均值大、标准差小的特点，这与其他地物形成显著不同的特征。当像元在各波段的DN均值大于某一阈值Mc、标准差小于某一阈值Sc时，则判定该像元为厚云。

图3 各地物DN值剖面采样曲线Fig.3 DN profile sample curves of different ground objects

2)云影判别模型。云影区域受到厚云遮挡，太阳直射光几乎为零，通常只有天空散射光可以到达，其在各个波段的光谱值都很低(特别是在散射光微弱的TM4，5，7中，红外波段易与无云区下垫面区别开来)。因此，当像元在TM4，5，7波段的DN均值小于某一阈值Ms时，判定该像元为云影。

2.2.3 基于数学形态学运算的云区掩模处理

依据以上条件检测云区，不可避免地会将部分破碎孤立的疑似为云及云影的地物误判。常规的处理方法是利用基于数学形态学的侵蚀算法去除它们的干扰［11，17，24］。侵蚀算法采用一个 3 像元 ×3 像元的窗口检查每一个云区像元，与中心像元相邻的8个像元中有3个以上像元是云区，则将该中心像元标记为云区，否则标记为非云区。经侵蚀运算去除孤立细小的斑块后，为了准确反映目标图像中受云影响的数据总量，需进一步采用膨胀算法对云区进行填充合并，获得更具代表性的云区。膨胀算法也是使用一个3像元×3像元的窗口检查每一个非云区像元，如果与中心像元相邻的8个相邻像元中有3个以上像元是云区，则将该中心像元标记为云区［11］。在实际处理中，可根据云区斑块的破碎离散程度确定侵蚀及膨胀算法的使用次数。

2.2.4 依据成像几何信息的云影修正

从图3中可以看出，水体及地形阴影与云影的光谱特征具有强相似性，单纯应用光谱信息检测云影，极易造成误判。图4所示的云层成像几何模型表达了卫星传感器、云层及太阳之间的关系，其中显示了云及云影具有成对出现的几何特征。

图4 云层成像几何模型Fig.4 Imaging geometric model of cloud and shadow

设φ为太阳方位角，云影位于云层由正东方向逆时针旋转ω=90°+(180°－φ)方位处。φ角可从图像头文件中获得，则云与云影的相对方位角ω能够被精确确定。设θ为太阳高度角、h为云层距地面的高度，遥感图像中云与其阴影的实际距离d=h/tan θ。云与其阴影的实际距离随云层高度、太阳高度角、地形而变化，较难直接确定。然而，两两配对的云和云影，其多边形质心必将相互邻近且相对方位角度接近ω。据此，使用 ArcGIS中“Raster To Polygon”及“Feature To Point”工具生成厚云及云影斑块的质心图层，并利用“Generate Near Table”工具挑选符合条件的质心点对，进而统计这些点对间距的平均值及标准差σ，可间接估算云及其阴影之间的搜索距离为d=+3σ。

在云及其阴影相对方位ω和距离d均可确定的情况下，根据厚云斑块就能够生成云影潜在范围。将膨胀处理后的云影区与用上述方法生成的云影潜在范围求交集，可剔除曾经误判的水体及山体阴影，获得准确云影区。

2.2.5 无云区光谱线性回归匹配

除云层覆盖外，土地利用、植被覆盖、土壤湿度、光照条件及大气状况等多种因素均会造成不同时相遥感图像光谱之间的差异;这些差异会对后续对比光谱云区检测引入误差，也会使最终去云图像产生明显的拼接边界。在膨胀厚云区和准确云影区的辅助下，将参考图像与目标图像对应无云区进行光谱线性回归匹配，以削弱2景图像的光谱差异。2景图像对应波段的线性回归方程为

式中:Xi为参考图像第i波段的DN值;Yi为目标图像第i波段的DN值;i为波段号。

2.3 光谱及几何信息耦合云区检测

图像预处理中仅利用目标图像光谱信息进行云区检测，对阈值的选取较为敏感，常常难以获得令人满意的云区检测精度。由于厚云及云影掩模只用于辅助2景图像进行无云区光谱匹配，因此对厚云和云影的阈值设置应遵循宁可多判不宜少判的原则，尽管结果中必然存在误判情况，但可以确保不让厚云及云影参加无云区的光谱匹配。完成光谱匹配后，2景图像因光照条件和大气状况不同所造成的光谱差异得到削弱，可加入对比光谱信息提高云区检测精度。

2.3.1 加入对比光谱信息的厚云检测

云区不同时相遥感图像之间的光谱特征变化可由云层覆盖或土地利用/地表覆盖变化导致，但两者造成的光谱差异却不同。由图3可见，厚云导致各波段光谱值的变化趋势一致(都急剧增大)。据此，将目标图像与参考图像对应像元各波段光谱DN值求差，设其平均绝对值ΔMean大于某一阈值ΔMc，且对应各波段DN值之差均为正，综合这2个条件进行云区检测，则多时相图像对比光谱厚云检测模型为

式中:DNTi和DNRi分别为目标图像和参考图像的光谱值;N为波段数;Sign()为符号函数，根据自变量的正、负、零分别取1，－1，0值。实验证明，此种方法设定的阈值能区别厚云地域和其他地域，并且选择阈值的范围比较宽［6］。

联合应用目标图像厚云光谱特征及参考图像对比光谱特征，精确检测厚云。通常云区边缘像元较难通过光谱阈值提取，根据其邻近关系先后应用侵蚀与膨胀算法，即可囊括所有受云影响的像元。

2.3.2 光谱及几何信息耦合云影检测

云影对不同时相遥感图像造成的光谱差异特征同样具有规律性。目标图像云影区相对于参考图像下垫面，其每个波段的光谱值都因云层遮挡而急剧减小。仿照云层对比光谱检测模型，将目标图像云影区与参考图像下垫面各波段光谱DN值求差，设其平均绝对值ΔMean大于某一阈值ΔMc，且对应各波段DN值之差均为负，综合这2个条件进行云影检测，则多时相图像对比光谱云影检测模型为

图像预处理中已确定了厚云及其阴影的相对方位和距离，根据新的云掩模再次确定云影搜索范围，在此限定范围中应用目标图像云影光谱特征及匹配图像对比光谱特征，精确检测云影，进一步排除水体、山体阴影等低反射率地物对云影识别的干扰。亦使用侵蚀及膨胀算法对云影检测结果进行处理，使云影掩模囊括相邻混合像元。

2.4 云区像元替换镶嵌

完成云区检测后，将目标图像中的云区用光谱匹配后参考图像的对应部分替换镶嵌，形成无云结果图像，完成去云处理。

3 实验结果与分析

在PCI软件EASI编程模块及ArcGIS软件中实现所有算法流程，对TM实验图像进行去云处理。

3.1 去云预处理

取阈值 Mc=100，标准差 Sc=60，TM4，5，7 波段光谱均值阈值Mc=50，分别进行厚云和云影检测。对粗判结果先后应用3次侵蚀算法和20次膨胀填补算法获得云区。在ArcGIS中，估算云影搜索距离d=3000 m(即100个像元)。2景图像光谱线性回归分析结果如表1所示。

表1 光谱线性回归分析结果Tab.1 Results of spectrum linear regression

因TM4，5，7波段中的红外波段受大气影响较小，其光谱相关系数较TM1，2，3波段的高(均达到90%以上)。光谱相关系数较高不仅反映了2幅图像地物覆盖变化较小，还说明了对应波段光谱相似度较高，经光谱匹配后的参考图像更能代表目标图像无云时的状况。因此，在数据源充裕的情况下，尽量选择光谱相关系数较高的参考图像以提高云区检测精度及图像镶嵌效果。

3.2 云区精确检测及去云镶嵌

获得光谱匹配图像后，加入对比光谱阈值、进行云和云影区精确检测并完成去云镶嵌处理，各步骤处理结果如图5所示。

图5(a)和(b)分别为整个研究区云及云影检测图和云及云影膨胀填补图(红色为厚云区，黑色为云影区)，由图中可见目标图像北部分散的云区均被识别;图像南部存在零星分布的误判像元，主要由2景图像地物覆盖发生改变所致。常见的3种情况为:①参考图像中为水田的区域，在目标图像中为收割后的旱地或荒地;②由于水位的影响，参考图像中为河流的区域，在目标图像中为裸露河滩;③由于土壤含水量的影响或开发建设的原因，目标图像中部分道路的反射率较参考图像对应区域要高。在数据源充足的情况下，选用多景参考图像可排除此部分误差。

图5(c)—(f)为图5(a)，(b)中红框内区域的放大效果图。图5(c)显示，零星分布的细小厚云及云影均被精确提取出来，云影搜索区外的水体及地形阴影被直接排除;由于加入对比光谱进行判断，云影搜索区内的地形阴影像元也没有被误判为云影，说明对比光谱及几何信息的耦合应用对云影识别具有双保险作用。图5(d)展示了厚云区及云影区经碎片侵蚀去除及云区膨胀填补后的结果，可见厚云的空洞、周边的薄云及受云影影响的像元被完全覆盖。对图5(e)示出的原始目标图像与图5(f)示出的去云结果图像进行对比可以看出，去云结果图像排除了所有受云及云影影响的像元，且图像替换镶嵌的边界不明显。

图6显示出整个研究区范围原始目标图像(图1)中的厚云及云影均被有效去除后的结果，图像质量得到明显改善。

图6 珠江三角洲去云结果图像Fig.6 Cloud － free image of Zhuijang delta

4 结论

现有云检测技术通常未利用云层和云影成对出现的几何关系，单纯从光谱特征出发去识别云或云影，致使云影的识别极容易受到水体和地形阴影的影响。本文提出一种基于光谱及几何信息的TM图像去云算法，具有如下特点:

1)在图像无云区光谱匹配中，提出仅根据含云图像光谱特征提取云区并以此确定云及其阴影搜索距离、修正云影识别误差的方法。此方法避免了无云区人工识别的处理量，提高了参考图像与目标图像光谱匹配的效率。

2)在云区检测中，联合采用目标图像的光谱特征及参考图像的对比光谱特征提取厚云，减少了高反射率地物对厚云识别的影响。在此基础上，按确定的方位和距离限定云影搜索范围，既提高了运算效率，也有效地减少了对水体和地形阴影的误判。

3)采用基于数学形态学的侵蚀和膨胀算法处理云区边缘，排除了细小孤立斑块的影响且囊括了厚云周边的薄云及混合像元，准确反映出图像中受云影响的像元，保证了云区替换镶嵌的效果。

4)本文算法除在图像配准中需要人工干预，其余步骤均己实现程序自动化完成，只是部分阈值需要根据图像具体情况稍作调整。实验证明，本文提出的TM图像厚云去除方法具有快速、简单、去云效果显著、实用性强的特点。

本文算法的去云精度和图像替换镶嵌效果受限于数据源，如果在数据源充足的情况下，可利用多个时相的数据作为参考图像与目标图像匹配，以获得更好的去云效果。此外，为了进一步减少不同成像时间的光照条件和大气状况对图像造成的影响，还应在图像预处理中进行大气校正处理。

［1］郑文武，邓运员.基于LSMA的TM影像云和阴影的检测与去除方法［J］.测绘科学，2010，35(3):62 －65.Zheng W W，Deng Y Y.Detecting and Removing Cloud and Shade on TM Imagery Based on LSMA［J］.Science of Surveying and Mapping，2010，35(3):62 －65(in Chinese with English Abstract).

［2］谢华美，何启翱，郑 宁，等.基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进［J］.北京师范大学学报:自然科学版，2005，41(2):150 －153.Xie H M，He Q A，Zheng N，et al.The Improved Homomorphic Filter Algorithm for Removing Cloud of Remote Sensing Image Based on the Second Exploiture of ERDAS Tool［J］.Journal of Beijing Normal University:Natural Science，2005，41(2):150 － 153(in Chinese with English Abstract).

［3］苏惠敏，薛 亮.TM影像解译中去除云层及其阴影方法研究［J］.西北大学学报:自然科学版，2005，35(6):807 －810.Su H M，Xue L.A Study on the Technology of Removing Clouds and Their Shadows During TM Image Interpretation［J］.Journal of Northwest University:Natural Science Edition，2005，35(6):807－810(in Chinese with English Abstract).

［4］郭童英，尤红建.一种基于小波融合的多时相遥感图像去云方法［J］.测绘通报，2007(3):40－42.Guo T Y，You H J.Cloud Reduction of Multi－ temporal Space －borne Remote Sensing Image Based on Wavelet Fusion［J］.Bulletin of Surveying and Mapping，2007(3):40 －42(in Chinese with English Abstract).

［5］尹 峰，熊德科，谢菲.西部山区RapidEye图像去薄云方法研究［J］.国土资源遥感，2011(4):132 －135.Yin F，Xiong D K，Xie F.Research on the Thin Cloud Removal Method from RapidEye Image in Western Mountain Areas［J］.Remote Sensing for Land and Resources，2011(4):132 － 135(in Chinese with English Abstract).

［6］李炳燮，马张宝，齐清文，等.Landsat TM遥感影像中厚云和阴影去除［J］.遥感学报，2010，14(3):534 －545.Li B X，Ma Z B，Qi Q W，et al.Cloud and Shadow Removal from Landsat TM Data［J］.Journal of Remote Sensing，2010，14(3):534－545(in Chinese with English Abstract).

［7］宋晓宇，刘良云，李存军，等.基于单景遥感影像的去云处理研究［J］.光学技术，2006，32(2):299 －303.Song X Y，Liu L Y，Li C J，et al.Cloud Removing Based on Single Remote Sensing Image［J］.Optical Technique，2006，32(2):299－303(in Chinese with English Abstract).

［8］Irish R R.Landsat Automatic Cloud Cover Assessment［C］//Proceedings(SPIE)of International Society for Optical Engineering，2000.［2010 － 09 － 29］http://landsathandbook.gsfc.nasa.gov/handbook/pdfs/ACCA SPIE paper.pdf.

［9］Irish R R，Barker J L，Goward S N，et al.Characterization of the Landsat－7 ETM+Automatic Cloud－cover Assessment(ACCA)Algorithm［J］.Photogrammetric Engineering and Remote Sensing，2006，72(10):1179 －1188.

［10］Watmough G R，Atkinson P M，Hutton C W，et al.A Combined Spectral and Object－based Approach to Transparent Cloud Removal in an Operational Setting for Landsat ETM+［J］.International Journal of Applied Earth Observation and Geoinformation，2011，13(2):220 －227.

［11］厉银喜，叶晓端，冯钟葵.Landsat7的自动云量评估［J］.遥感信息，2001(1):39 －41.Li Y X，Ye X D，Feng Z K.Automatic Cloud Cover Assessment of Landsat 7［J］.Remote Sensing Information，2001(1):39 － 41(in Chinese with English Abstract).

［12］何全军，曹 静，黄 江，等.基于多光谱综合的MODIS数据云检测研究［J］.国土资源遥感，2006(3):19－22.He Q J，Cao J，Huang J，et al.Cloud Detection in MODIS Data Based on Multi－ spectrum Synthesis［J］.Remote Sensing for Land and Resources，2006，17(3):19 －22(in Chinese with English Abstract).

［13］宋小宁，赵英时.MODIS图象的云检测及分析［J］.中国图象图形学报，2003，8(9):1079 －1083.Song X N，Zhao Y S.Cloud Detection and Analysis of MODIS Image［J］.Journal of Image and Graphics，2003，8(9):1079 － 1083(in Chinese with English Abstract).

［14］文雄飞，董新奕，刘良明.“云指数法”云检测研究［J］.武汉大学学报:信息科学版，2009(7):838－841.Wen Q F，Dong X Y，Liu L M.Cloud Index Method for Cloud Detection［J］.Geomatics and Information Science of Wuhan University，2009(7):838 －841(in Chinese with English Abstract).

［15］吴传庆，王 桥，杨志峰.基于混合像元分解的水体遥感图像去云法［J］.遥感学报，2006，10(2):176 －183.Wu C Q，Wang Q，Yang Z F.Cloud － moving of Water RS Image Based on Mixed Pixel Model［J］.Journal of Remote Sensing，2006，10(2):176 －183(in Chinese with English Abstract).

［16］柴 勇，何 友，曲长文.基于云影距离模型的遥感图像多尺度融合算法［J］.中国图象图形学报，2010，15(9):1398 －1405.Chai Y，He Y，Qu C W.Remote Sensing Image Fusion Using MGA Based on Cloud and Shadow Distance Model［J］.Journal of Image and Graphics，2010，15(9):1398 －1405(in Chinese with English Abstract).

［17］谈建国，周红妹，陆 贤，等.NOAA卫星云检测和云修复业务应用系统的研制和建立［J］.遥感技术与应用，2000，15(4):228－231.Tan J G，Zhou H M，Lu X，et al.Research and Establishment in Operation System of Cloud Detection and Rehabilitation Applied to NOAA Satellite［J］.Remote Sensing Technology and Application，2000，15(4):228 －231(in Chinese with English Abstract).

［18］Helmer E H，Ruefenacht B.Cloud－free Satellite Image Mosaics with Regression Trees and Histogram Matching［J］.Photogrammetric Engineering ＆ Remote Sensing，2005，71(9):1079 －1089.

［19］方 勇，常本义.联合应用多传感器影象消除云层遮挡影响的研究［J］.中国图象图形学报，2001，6(2):138 －141.Fang Y，Chang B Y.The Research of Removing the Affect of Clouds Cover by Combining the Mulit Sensor Images［J］.Journal of Image and Graphics，2001，6(2):138 － 141(in Chinese with English Abstract).

［20］Li M，Liew S C，Kwoh L K.Producing Cloud Free and Cloud －shadow free Mosaic from Cloudy IKONOS Images［C］//Proceeding of 2003 IEEE Int’l Geoscience and Remote Sensing Symposium，Toulouse，France:IEEE，2003:3946 －3948.

［21］Tseng D C，Tseng H T，Chien C L.Automatic Cloud Removal from Multi－ temporal SPOT Images［J］.Applied Mathematics and Computation，2008，205(2):584 －600.

［22］Hagolle O，Huc M D，Pascual V，et al.A Multi－ temporal Method for Cloud Detection，Applied to FORMOSAT －2，VENUS，LANDSAT and SENTINEL － 2 Images［J］.Remote Sensing of Environment，2010，114(8):1747 －1755.

［23］唐王琴，梁 栋，胡根生，等.基于支持向量机的遥感图像厚云去除算法［J］.遥感技术与应用，2011，26(1):111 －116.Tang W Q，Liang D，Hu G S，et al.The Algorithm for Removing Thick Clouds in Remote Sensing Image Based on Support Vector Machine［J］.Remote Sensing Technology and Application，2011，26(1):111－116(in Chinese with English Abstract).

［24］曹 爽，李 浩，马 文.基于数学形态学的遥感影像薄云处理方法［J］.地理与地理信息科学，2009，25(4):30 －33.Cao S，Li H，Ma W.Removing Thin Cloud Arithmetic Based on Mathematic Morphology for Remote Sensing Image［J］.Geography and Geo－Information Science，2009，25(4):30 －33(in Chinese with English Abstract).

Algorithm for Removing Thick Clouds in TM Image Based on Spectral and Geometric Information

QIN Yan1，DENG Ru － ru1，HE Ying － qing1，CHEN Lei1，2，CHEN Qi－ dong1，XIONG Shou － ping1
(1.School of Geographic Science and Planning，Sun Yat－sen University，Guangzhou 510275，China;2.South China Sea Marine Engineering and Environment Institute，SOA，Guangzhou 510300，China)

A new cloud removal algorithm based on spectral and geometric information is proposed for generating cloud free and cloud － shadow free mosaic image from multi－ temporal TM images.At first，single image and multitemporal images of thick cloud and cloud－shadow multi－spectral detection models are built based on TM spectral characteristics analysis.Secondly，cloud is detected according to spectral characteristics，and then a technique is applied based on coupled geometrical relationship between the cloud and its shadow by using sun azimuth angle，sun elevation angle and statistical distance between cloud and its shadow so as to automatically predict the approximate location of cloud－shadow.After that，erosion filtering and dilation filtering are used sequentially in the cloud and cloud－shadow fraction image to eliminate the small bits and generate the exact zones contaminated by cloud and cloud－shadow.At last，the cloud and cloud－shadow zones of the target image are replaced by the same－location cloud－free zones on reference images whose spectral information is matched with the target image by the linear regression method.The results show that this algorithm is capable of eliminating the cloud influence from TM image significantly.Moreover，it can effectively eliminate the influence of water body and hill shadow on cloud －shadow.This method can therefore support producing cloud removal images in a quick，simple and applicable way.

cloud detection;cloud－shadow detection;cloud removal;TM image

TP 751.1

A

1001－070X(2012)04－0055－07

2012－03－02;

2012－04－18

水利部公益性行业科研专项(编号:200901067－02)、国家自然科学基金项目(编号:41071230)和水利部948项目(编号:200820)共同资助。

10.6046/gtzyyg.2012.04.10

秦 雁(1984－)，女，在读博士生，主要研究方向为环境遥感。E－mail:qin.yan@foxmail.com。

邓孺孺(1963 －)，男，博士，教授。联系电话:13925091189;E －mail:eesdrr@mail.sysu.edu.cn。

(责任编辑:刘心季)