1.1目的及意义

卫星遥感图像在环境监测、资源勘查、灾害分析、林业调查、农业生产等域都有着广泛的应用。然而，地球上空包含云层，从卫星传感器向下拍摄地球不可避免的会将这些云层拍摄入内。云层的存在，一方面对地物产生了遮挡，造成地表信息的缺失，给目标识别、变化检测、地物分类等带来不利影响，另一方面，在４Ｄ产品的生产过程中含云量较多的影像往往被弃之不用，造成影像数据的浪费。因此对卫星图像进行准确的云检测具有非常重要的意义。本课题要求研究 Gabor 小波在云检测中的应用，通过算法融合提取图像特征、对融合后的云图特征进行降维，完成云检测理论和实验研究。

1.2基于光谱阈值法的云检测算法研究现状

分析云层在高分遥感影像上的光谱特性,进行面向对象的光谱阈值云检测分割。在2014年Zhu等人提出了应用多时相的Landsat影像检测云层的方法。该方法主要分为两步，首先是对两幅同一地区不同时相的影像分别进行阈值分割，构建云掩模；然后以一幅影像作为参考影像,另一幅影像作为目标影像，比较两幅影像的云区范围，发生变化的像素则为云。由于雪地在短时间内区域位置和覆盖范围是不会发生变化的，所以能够将云和雪地有效区分。但是这种方法要求两幅影像的拍摄时间相近，并且对配准算法有一定要求。随着多光谱成像技术的发展与普及，云检测技术向统计特征和光谱特征相融合的趋势发展。并逐渐扩展至模式识别技术领域，机器学习算法及现代数学优化等算法被引入至云检测技术领域。还有学者也对其他卫星的云检测方法进行了研宄。Lee等人在2015年提出了基于两步式分割的云检测方法。该方法首先釆用全局阈值得到厚云区，再通过厚云区域的膨胀以及局部阈值的计算将厚云附近的薄云检测出来。还有学者也对其他卫星的云检测方法进行了研宄。

1.3基于空间纹理分析法的云检测算法研究现状

对于全色CCD遥感图像的云检测来说，能够利用的信息只有图像像素值和像素之间的空间位置关系。由于云的生成条件各不相同，云边缘信息也呈不规则分布，这在空间分布上具有分形几何特征。从灰度、纹理特征和分形几何的角度分析遥感图像中云与地物的特点. 单娜等针对中巴资源O2B卫星利用分形维数和角二阶矩并结合树状结构快速判别实现云区提取。陈刚等利用灰度共生矩阵提取样本纹理特征，并利用支持向量机（SVM）对ASTER卫星影像进行检测，该方法特别是对南极地区的冰层和薄卷云的区分有较好的实验效果。

1.4基于机器学习法的云检测算法研究现状

周丽娟在2012年发表了基于SVM和结构纹理分解的云检测算法。该算法首先对卫星可见光图像进行结构纹理分解，并在结构图像中利用简单的阈值进行初步的云检测，然后以此检测结果引导SVM算法在原图中进行更精确地检测。刘波在2017年发表的文献中于深度学习理论模型的基础，提出了基于卷积神经网络(CNN)的云检测算法，以高分二号卫星图像为数据源，利用大量带标签的数据，通过前向传播和后向传导算法建立CNN神经网络，实现云检测，检测率93%，虚警率3.7%。其方法并没有人为的特征设计和构造，而是利用卷积神经网络强大的特征提取能力，建立隐性特征。

2. 研究的基本内容与方案

2.1研究目标

本次毕业设计将研究基于特征融合的云检测算法的背景意义、研究现状以及其基本原理与相关技术研究。本课题要求研究Gabor小波在云检测中的应用，通过算法融合提取图像特征、对融合后的云图特征进行降维，完成云检测理论和实验研究。