本發(fā)明涉及一種landsattm遙感影像數(shù)據(jù)除云方法及系統(tǒng)。

背景技術(shù)：

云遮蔽是遙感數(shù)據(jù)處理過程中很常見的一種現(xiàn)象，尤其在利用遙感數(shù)據(jù)進行土地覆被監(jiān)測、更新時，由于云層的遮擋，嚴重影響數(shù)據(jù)利用的效率。另一方面，云霧是華南地區(qū)大氣中最多、最不穩(wěn)定的目標，從國家衛(wèi)星氣象中心處檢索處可知，由于云霧的影響，獲取的我國南方區(qū)域noaa/avhrr遙感數(shù)據(jù)平均有效率不足7％，在傳感器獲取數(shù)據(jù)的任意時刻都可能遇到云霧遮擋的情況，因為云的存在，在利用衛(wèi)星遙感圖像進行繪圖等應(yīng)用時需要消耗相關(guān)工作者大量的精力去除云。

由于氣候的原因，很難獲取完全無云的遙感影像，大部分遙感影像在獲取時會或多或少地受到云的影響，這給利用遙感影像進行變化監(jiān)測、土地覆被分類等研究工作帶來巨大的麻煩，因此除云也成為了眾多l(xiāng)andsattm應(yīng)用工作者面臨的一大問題。

在眾多的除云技術(shù)中，如果數(shù)據(jù)存在大范圍的薄云，則采用同態(tài)濾波法較好，這是因為同態(tài)濾波法把頻率過濾與灰度變化結(jié)合起來，分離云與背景地物，最終從影像中去除云的影響，但是這種方法由于涉及到濾波器以及截至頻率的選擇，在濾波的過程中有時會丟失一些有用信息，而且針對landsattm這種計算量大的遙感數(shù)據(jù)，操作起來很不方便，并且對于有厚云的影像是不可以用這種方法的。當處理的數(shù)據(jù)中存在大片厚云時，常規(guī)的手段是采用時間平均法，但是這種算法僅適用于地物特征隨時間變化較小的地域，針對landsattm這種中時間分辨率的遙感影像往往不能用這種簡單的替代算法。

綜上所述，在有限光譜分辨率的情況下，云覆蓋噪聲很難用多光譜的方法進行去除，對于時間分辨率低的遙感平臺來說，除云是造成遙感數(shù)據(jù)利用率低的重要因素之一，并且嚴重影響遙感數(shù)據(jù)的后續(xù)使用，比如圖像識別、變化監(jiān)測、監(jiān)督分類等等應(yīng)用問題。

技術(shù)實現(xiàn)要素：

有鑒于此，有必要提供一種landsattm遙感影像數(shù)據(jù)除云方法及系統(tǒng)。

本發(fā)明提供一種landsattm遙感影像數(shù)據(jù)除云方法，該方法包括如下步驟：a.輸入landsattm遙感影像數(shù)據(jù)；b.采用基于面向?qū)ο蟮姆椒?，對上述landsattm遙感影像數(shù)據(jù)進行多尺度分割；c.對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)厚云的光譜特點，建立運算特征“thickc”；d.利用閾值分類法，將滿足閾值條件的運算特征“thickc”的對象由“unclassified”分類至“thickcloud”；e.對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)薄云的光譜特點和分布特點，建立關(guān)系特征“thinc”；f.在剩余的“unclassified”對象中，利用雙閾值分類法將滿足條件的對象“unclassified”分類至“thincloud”；g.將上述分類至“thickcloud”和“thincloud”的對象統(tǒng)一分類至“cloud”，完成數(shù)據(jù)除云。

其中，所述landsattm遙感影像數(shù)據(jù)包括7個譜段：b1藍綠譜段、b2綠譜段、b3紅譜段、b4近紅外譜段、b5近短波紅外譜段、b6熱紅外譜段、b7近短波紅外譜段。

所述的步驟b具體包括：根據(jù)輸入的landsattm遙感影像數(shù)據(jù)，建立影像對象層；選擇參與多尺度分割計算的各個波段數(shù)據(jù)的權(quán)重；設(shè)置多尺度分割的尺度參數(shù)；設(shè)置多尺度分割的形狀參數(shù)；設(shè)置多尺度分割的緊致度參數(shù)；在影像對象層上計算多尺度分割的結(jié)果，將分割后產(chǎn)生的對象賦類為“unclassified”。

所述的步驟c具體包括：對于每一個對象ω＝{p1,p2,p3,…,pn}，p為該對象所包含的像元，n為該對象所包含的像元數(shù)量，其運算特征“thickc”的具體計算公式如下：其中，其中，thickc表示該對象的運算特征“thickc”的數(shù)值；

n表示該對象所包含的像元數(shù)量；表示一個像元的b2亮度值；表示一個像元的b4亮度值；表示一個像元的b7亮度值；c表示一個縮放常數(shù)，根據(jù)用戶需求設(shè)定；對影像對象層中的每一個對象{ω1,ω2,ω3,…,ωn{都分別計算運算特征“thickc”。

所述的步驟e具體包括：“thinc”表示若以一個對象為中心對象，則邊緣距離這個中心對象邊緣的最短距離不超過d個像元的其它對象將作為計算該中心對象關(guān)系特征“thinc”值的元素，其描述如下：

其中，d表示預(yù)設(shè)距離值；d(ωi,ωj)表示對象ωi與對象ωj之間的距離；表示參與計算關(guān)系特征“thinc”的所有對象的集合；{ω∣d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n}表示滿足判斷條件d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n的所有對象的集合；

根據(jù)運算特征及其統(tǒng)計算法計算關(guān)系特征“thinc”：其中，thinc表示該對象的關(guān)系特征值；thickc表示參與計算關(guān)系特征“thinc”的對象的運算特征“thickc”值；n表示參與計算關(guān)系特征“thinc”的對象的數(shù)量。

本發(fā)明提供一種landsattm遙感影像數(shù)據(jù)除云系統(tǒng)，該系統(tǒng)包括該系統(tǒng)包括輸入模塊、分割模塊、運算特征建立模塊、分類模塊、關(guān)系特征建立模塊，其中：所述輸入模塊用于輸入landsattm遙感影像數(shù)據(jù)；所述分割模塊用于采用基于面向?qū)ο蟮姆椒ǎ瑢ι鲜鰈andsattm遙感影像數(shù)據(jù)進行多尺度分割；所述運算特征建立模塊用于對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)厚云的光譜特點，建立運算特征“thickc”；所述分類模塊用于利用閾值分類法，將滿足閾值條件的運算特征“thickc”的對象由“unclassified”分類至“thickcloud”；所述關(guān)系特征建立模塊用于對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)薄云的光譜特點和分布特點，建立關(guān)系特征“thinc”；所述分類模塊還用于在剩余的“unclassified”對象中，利用雙閾值分類法將滿足條件的對象“unclassified”分類至“thincloud”；所述分類模塊還用于將上述分類至“thickcloud”和“thincloud”的對象統(tǒng)一分類至“cloud”，完成數(shù)據(jù)除云。

其中，所述的landsattm遙感影像數(shù)據(jù)包括7個譜段：b1藍綠譜段、b2綠譜段、b3紅譜段、b4近紅外譜段、b5近短波紅外譜段、b6熱紅外譜段、b7近短波紅外譜段。

所述的分割模塊具體用于：根據(jù)輸入的landsattm遙感影像數(shù)據(jù)，建立影像對象層；選擇參與多尺度分割計算的各個波段數(shù)據(jù)的權(quán)重；設(shè)置多尺度分割的尺度參數(shù)；設(shè)置多尺度分割的形狀參數(shù)；設(shè)置多尺度分割的緊致度參數(shù)；在影像對象層上計算多尺度分割的結(jié)果，將分割后產(chǎn)生的對象賦類為“unclassified”。

所述的運算特征建立模塊具體用于：

對于每一個對象ω＝{p1,p2,p3,…,pn}，p為該對象所包含的像元，n為該對象所包含的像元數(shù)量，其運算特征“thickc”的具體計算公式如下：

其中，

其中，thickc表示該對象的運算特征“thickc”的數(shù)值；n表示該對象所包含的像元數(shù)量；表示一個像元的b2亮度值；表示一個像元的b4亮度值；表示一個像元的b7亮度值；c表示一個縮放常數(shù)，根據(jù)用戶需求設(shè)定；

對影像對象層中的每一個對象{ω1,ω2,ω3,…,ωn}都分別計算運算特征“thickc”。

所述的關(guān)系特征建立模塊具體用于：

“thinc”表示若以一個對象為中心對象，則邊緣距離這個中心對象邊緣的最短距離不超過d個像元的其它對象將作為計算該中心對象關(guān)系特征“thinc”值的元素，其描述如下：

其中，d表示預(yù)設(shè)距離值；d(ωi,ωj)表示對象ωi與對象ωj之間的距離；表示參與計算關(guān)系特征“thinc”的所有對象的集合；{ω∣d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n}表示滿足判斷條件d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n的所有對象的集合；

根據(jù)運算特征及其統(tǒng)計算法計算關(guān)系特征“thinc”：

其中，thinc表示該對象的關(guān)系特征值；thickc表示參與計算關(guān)系特征“thinc”的對象的運算特征“thickc”值；n表示參與計算關(guān)系特征“thinc”的對象的數(shù)量。

本發(fā)明將厚云識別技術(shù)和薄云識別技術(shù)按照其自然分布規(guī)律有效地結(jié)合到了一起，針對時間分辨率較低，難以采用時間平均法的landsattm數(shù)據(jù)來說，本發(fā)明原理十分簡單，對數(shù)據(jù)的質(zhì)量要求較低，運算參數(shù)很少，計算效率較高，魯棒性強，得到的云識別結(jié)果較為可靠，可以有效地減少或去除云的影響，為分類工作者減輕了分類難度，減少了錯分、漏分類別量，提高了分類效率和精度。

附圖說明

圖1為本發(fā)明landsattm遙感影像數(shù)據(jù)除云方法的流程圖；

圖2為本發(fā)明landsattm遙感影像數(shù)據(jù)除云系統(tǒng)的硬件架構(gòu)圖。

具體實施方式

下面結(jié)合附圖及具體實施例對本發(fā)明作進一步詳細的說明。

參閱圖1所示，是本發(fā)明landsattm遙感影像數(shù)據(jù)除云方法較佳實施例的作業(yè)流程圖。

步驟s1，輸入landsattm遙感影像數(shù)據(jù)。其中：

所述landsattm遙感影像數(shù)據(jù)包括7個譜段，分別為：3個可見光譜段、1個近紅外譜段、2個近短波紅外譜段、1個熱紅外譜段，所述3個可見光譜段包括：藍綠譜段、綠譜段、紅譜段；并將所述7個譜段依次命名為：b1(藍綠譜段)、b2(綠譜段)、b3(紅譜段)、b4(近紅外譜段)、b5(近短波紅外譜段)、b6(熱紅外譜段)、b7(近短波紅外譜段)。

步驟s2，采用基于面向?qū)ο蟮姆椒ǎ瑢ι鲜鰈andsattm遙感影像數(shù)據(jù)進行多尺度分割。具體而言：

參與多尺度分割的波段包括b1、b2、b3、b4、b5、b7，在本實施例中，分割尺度設(shè)置為50，形狀因子和緊致度因子根據(jù)用戶需求自行調(diào)整，將分割后產(chǎn)生的對象賦類為“unclassified”。

進一步地，多尺度分割的流程如下所示：

(1)根據(jù)輸入的landsattm遙感影像數(shù)據(jù)，建立影像對象層；

(2)選擇參與多尺度分割計算的各個波段數(shù)據(jù)的權(quán)重，此處參與分割的波段包括b1、b2、b3、b4、b5、b7，在本實施例中將權(quán)重均設(shè)置為1，也可以根據(jù)用戶需求更改；

(3)設(shè)置多尺度分割的尺度參數(shù)，在本實施例中根據(jù)landsattm遙感影像數(shù)據(jù)的分類特點設(shè)置為50，也可以根據(jù)用戶需求更改；

(4)設(shè)置多尺度分割的形狀參數(shù)，在本實施例中根據(jù)landsattm遙感影像數(shù)據(jù)的分類特點設(shè)置為0.1，也可以根據(jù)用戶需求更改；

(5)設(shè)置多尺度分割的緊致度參數(shù)，在本實施例中根據(jù)landsattm遙感影像數(shù)據(jù)的分類特點設(shè)置為0.3，也可以根據(jù)用戶需求更改；

(6)在影像對象層上計算多尺度分割的結(jié)果，將分割后產(chǎn)生的對象賦類為“unclassified”。

步驟s3，對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)厚云(thickcloud)的光譜特點，建立運算特征“thickc”。也即：

根據(jù)所述landsattm遙感影像數(shù)據(jù)中厚云的光譜特點，即厚云在波段b2、b4、b7上具有較高的亮度值，并且往往比其它地類都要高很多，為了拉伸這種差異，本實施例構(gòu)建一種新的運算特征“thickc”自動區(qū)分較厚的云與其它地物。具體包括：

(1)對于每一個對象ω＝{p1,p2,p3,…,pn}，p為該對象所包含的像元，n為該對象所包含的像元數(shù)量，其運算特征“thickc”的具體計算公式如下：

其中，

其中，thickc表示該對象的運算特征“thickc”的數(shù)值；n表示該對象所包含的像元數(shù)量；表示一個像元的b2亮度值；表示一個像元的b4亮度值；表示一個像元的b7亮度值；c表示一個縮放常數(shù)，根據(jù)用戶需求設(shè)定。

(2)對影像對象層中的每一個對象{ω1,ω2,ω3,…,ωn}都分別計算運算特征“thickc”。

步驟s4，利用閾值分類法，將滿足閾值條件的運算特征“thickc”的對象由“unclassified”分類至“thickcloud”。也即：

利用閾值分類法將滿足一定運算特征“thickc”閾值k的對象由“unclassified”分類至“thickcloud”，具體公式如下：

其中，k為由用戶參考影像質(zhì)量等因素設(shè)定的閾值；unclassified(thickc)表示分類屬性是unclassified的所有對象的thickc值集合；{thickc∣thickc≥k}表示滿足thickc≥k條件的所有對象的集合；thickcloud(thickc)表示分類屬性是thickcloud的所有對象的thickc值集合。

步驟s5，對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)薄云(thincloud)的光譜特點和分布特點，建立關(guān)系特征“thinc”。具體步驟如下：

除了根據(jù)所述landsattm遙感影像數(shù)據(jù)中厚云的光譜特點識別了含有厚云的對象外，所述landsattm遙感影像數(shù)據(jù)中往往還含有大量的薄云，這些薄云往往都分布在厚云的邊緣地帶或者分布在比較接近厚云的區(qū)域，利用遙感數(shù)據(jù)中云層的特殊分布特性就可以構(gòu)建出薄云的識別方法?；诖嗽?，本實施例除了利用所述landsattm遙感影像數(shù)據(jù)中薄云的光譜特點外，還利用了薄云對象與厚云對象在影像對象層中空間位置上的相關(guān)關(guān)系，構(gòu)建了一種新的云識別指數(shù)來自動區(qū)分較薄的云與其它地物，該識別指數(shù)就是關(guān)系特征“thinc”，其具體實現(xiàn)步驟如下：

(1)參考影像質(zhì)量等因素，設(shè)定盡量滿足用戶精度需求的預(yù)設(shè)距離d值。預(yù)設(shè)距離d是一個相對量，其值用影像對象層中像元的數(shù)量衡量，用來限定參與計算關(guān)系特征“thinc”的對象的條件，“thinc”表示若以一個對象為中心對象，則邊緣距離這個中心對象邊緣的最短距離不超過d個像元的其它對象將作為計算該中心對象關(guān)系特征“thinc”值的元素，其描述如下：

其中，d表示預(yù)設(shè)距離值；d(ωi,ωj)表示對象ωi與對象ωj之間的距離；表示參與計算關(guān)系特征“thinc”的所有對象的集合；{ω∣d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n}表示滿足判斷條件d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n的所有對象的集合。

簡單來說，預(yù)設(shè)距離d值就是給出了中心對象與其周圍參與計算關(guān)系特征值的其它對象的鄰接關(guān)系，這種鄰接關(guān)系為廣義上的鄰接關(guān)系，即兩個對象在影像對象層上可以接觸，也可以不接觸。d值小，則參與計算關(guān)系特征值的對象數(shù)量就少；d值大，則參與計算關(guān)系特征值的對象數(shù)量就多，d值的大小取決于薄云和厚云之間的位置關(guān)系，由用戶依據(jù)精度需求設(shè)定。

(2)根據(jù)運算特征及其統(tǒng)計算法計算關(guān)系特征“thinc”。當參與計算關(guān)系特征“thinc”的對象都確定后，就可以根據(jù)如下的公式進行關(guān)系特征“thinc”的計算：

其中，thinc表示該對象的關(guān)系特征值；thickc表示參與計算關(guān)系特征“thinc”的對象的運算特征“thickc”值；n表示參與計算關(guān)系特征“thinc”的對象的數(shù)量。

步驟s6，在剩余的“unclassified”對象中，利用雙閾值分類法將滿足條件的對象“unclassified”分類至“thincloud”，采用的2個分類特征分別為運算特征“thickc”和關(guān)系特征“thinc”。具體而言：

利用雙閾值分類法將滿足條件的對象“unclassified”分類至“thincloud”，采用的2個分類特征分別為運算特征“thickc”和關(guān)系特征“thinc”，具體公式如下：

其中，k1為由用戶參考影像質(zhì)量等因素設(shè)定的閾值；k2為由用戶參考影像質(zhì)量等因素設(shè)定的閾值；unclassified(thickc，thinc)表示分類屬性是unclassified的所有對象的(thickc，thinc)值集合；{thickc，thinc∣thickc≥k1，且thinc≥k2}表示滿足thickc≥k1，且thinc≥k2條件的所有對象的集合；thincloud(thickc，thinc)表示分類屬性是thincloud的所有對象的(thickc，thinc)值集合。

步驟s7，將上述分類至“thickcloud”和“thincloud”的對象統(tǒng)一分類至“cloud”，完成數(shù)據(jù)除云。具體而言：

將類別屬性為“thickcloud”和“thincloud”的對象統(tǒng)一賦予類別“cloud”，至此便完成了對所述landsattm遙感影像數(shù)據(jù)的云識別處理，最終得到了帶有云類別屬性的矢量數(shù)據(jù)。

參閱圖2所示，是本發(fā)明landsattm遙感影像數(shù)據(jù)除云系統(tǒng)10的硬件架構(gòu)圖。該系統(tǒng)包括：輸入模塊101、分割模塊102、運算特征建立模塊103、分類模塊104、關(guān)系特征建立模塊105。

所述輸入模塊101用于輸入landsattm遙感影像數(shù)據(jù)。其中：

所述landsattm遙感影像數(shù)據(jù)包括7個譜段，分別為：3個可見光譜段、1個近紅外譜段、2個近短波紅外譜段、1個熱紅外譜段，所述3個可見光譜段包括：藍綠譜段、綠譜段、紅譜段；并將所述7個譜段依次命名為：b1(藍綠譜段)、b2(綠譜段)、b3(紅譜段)、b4(近紅外譜段)、b5(近短波紅外譜段)、b6(熱紅外譜段)、b7(近短波紅外譜段)。

所述分割模塊102用于采用基于面向?qū)ο蟮姆椒ǎ瑢ι鲜鰈andsattm遙感影像數(shù)據(jù)進行多尺度分割。具體而言：

參與多尺度分割的波段包括b1、b2、b3、b4、b5、b7，在本實施例中，分割尺度設(shè)置為50，形狀因子和緊致度因子根據(jù)用戶需求自行調(diào)整，將分割后產(chǎn)生的對象賦類為“unclassified”。

進一步地，所述分割模塊102具體用于：

(1)根據(jù)輸入的landsattm遙感影像數(shù)據(jù)，建立影像對象層；

(2)選擇參與多尺度分割計算的各個波段數(shù)據(jù)的權(quán)重，此處參與分割的波段包括b1、b2、b3、b4、b5、b7，在本實施例中將權(quán)重均設(shè)置為1，也可以根據(jù)用戶需求更改；

(3)設(shè)置多尺度分割的尺度參數(shù)，在本實施例中根據(jù)landsattm遙感影像數(shù)據(jù)的分類特點設(shè)置為50，也可以根據(jù)用戶需求更改；

(4)設(shè)置多尺度分割的形狀參數(shù)，在本實施例中根據(jù)landsattm遙感影像數(shù)據(jù)的分類特點設(shè)置為0.1，也可以根據(jù)用戶需求更改；

(5)設(shè)置多尺度分割的緊致度參數(shù)，在本實施例中根據(jù)landsattm遙感影像數(shù)據(jù)的分類特點設(shè)置為0.3，也可以根據(jù)用戶需求更改；

(6)在影像對象層上計算多尺度分割的結(jié)果，將分割后產(chǎn)生的對象賦類為“unclassified”。

所述運算特征建立模塊103用于對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)厚云(thickcloud)的光譜特點，建立運算特征“thickc”。也即：

所述運算特征建立模塊103根據(jù)所述landsattm遙感影像數(shù)據(jù)中厚云的光譜特點，即厚云在波段b2、b4、b7上具有較高的亮度值，并且往往比其它地類都要高很多，為了拉伸這種差異，本實施例構(gòu)建一種新的運算特征“thickc”自動區(qū)分較厚的云與其它地物。具體包括：

(1)對于每一個對象ω＝{p1,p2,p3,…,pn}，p為該對象所包含的像元，n為該對象所包含的像元數(shù)量，其運算特征“thickc”的具體計算公式如下：

其中，

其中，thickc表示該對象的運算特征“thickc”的數(shù)值；n表示該對象所包含的像元數(shù)量；表示一個像元的b2亮度值；表示一個像元的b4亮度值；表示一個像元的b7亮度值；c表示一個縮放常數(shù)，根據(jù)用戶需求設(shè)定。

(2)對影像對象層中的每一個對象{ω1,ω2,ω3,…,ωn}都分別計算運算特征“thickc”。

所述分類模塊104用于利用閾值分類法，將滿足閾值條件的運算特征“thickc”的對象由“unclassified”分類至“thickcloud”。也即：

利用閾值分類法將滿足一定運算特征“thickc”閾值k的對象由“unclassified”分類至“thickcloud”，具體公式如下：

其中，k為由用戶參考影像質(zhì)量等因素設(shè)定的閾值；unclassified(thickc)表示分類屬性是unclassified的所有對象的thickc值集合；{thickc∣thickc≥k}表示滿足thickc≥k條件的所有對象的集合；thickcloud(thickc)表示分類屬性是thickcloud的所有對象的thickc值集合。

所述關(guān)系特征建立模塊105用于對上述多尺度分割后的landsattm遙感影像數(shù)據(jù)，根據(jù)薄云(thincloud)的光譜特點和分布特點，建立關(guān)系特征“thinc”。具體如下：

除了根據(jù)所述landsattm遙感影像數(shù)據(jù)中厚云的光譜特點識別了含有厚云的對象外，所述landsattm遙感影像數(shù)據(jù)中往往還含有大量的薄云，這些薄云往往都分布在厚云的邊緣地帶或者分布在比較接近厚云的區(qū)域，利用遙感數(shù)據(jù)中云層的特殊分布特性就可以構(gòu)建出薄云的識別方法?；诖嗽恚緦嵤├死盟鰈andsattm遙感影像數(shù)據(jù)中薄云的光譜特點外，還利用了薄云對象與厚云對象在影像對象層中空間位置上的相關(guān)關(guān)系，構(gòu)建了一種新的云識別指數(shù)來自動區(qū)分較薄的云與其它地物，該識別指數(shù)就是關(guān)系特征“thinc”，其具體如下：

(1)參考影像質(zhì)量等因素，設(shè)定盡量滿足用戶精度需求的預(yù)設(shè)距離d值。預(yù)設(shè)距離d是一個相對量，其值用影像對象層中像元的數(shù)量衡量，用來限定參與計算關(guān)系特征“thinc”的對象的條件，“thinc”表示若以一個對象為中心對象，則邊緣距離這個中心對象邊緣的最短距離不超過d個像元的其它對象將作為計算該中心對象關(guān)系特征“thinc”值的元素，其描述如下：

其中，d表示預(yù)設(shè)距離值；d(ωi,ωj)表示對象ωi與對象ωj之間的距離；表示參與計算關(guān)系特征“thinc”的所有對象的集合；{ω∣d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n}表示滿足判斷條件d(ωi,ωj)≤d,i＝1,2,3,…,n,j＝1,2,3,…,n的所有對象的集合。

簡單來說，預(yù)設(shè)距離d值就是給出了中心對象與其周圍參與計算關(guān)系特征值的其它對象的鄰接關(guān)系，這種鄰接關(guān)系為廣義上的鄰接關(guān)系，即兩個對象在影像對象層上可以接觸，也可以不接觸。d值小，則參與計算關(guān)系特征值的對象數(shù)量就少；d值大，則參與計算關(guān)系特征值的對象數(shù)量就多，d值的大小取決于薄云和厚云之間的位置關(guān)系，由用戶依據(jù)精度需求設(shè)定。

(2)根據(jù)運算特征及其統(tǒng)計算法計算關(guān)系特征“thinc”。當參與計算關(guān)系特征“thinc”的對象都確定后，就可以根據(jù)如下的公式進行關(guān)系特征“thinc”的計算：

其中，thinc表示該對象的關(guān)系特征值；thickc表示參與計算關(guān)系特征“thinc”的對象的運算特征“thickc”值；n表示參與計算關(guān)系特征“thinc”的對象的數(shù)量。

所述分類模塊104還用于在剩余的“unclassified”對象中，利用雙閾值分類法將滿足條件的對象“unclassified”分類至“thincloud”，采用的2個分類特征分別為運算特征“thickc”和關(guān)系特征“thinc”。具體而言：

利用雙閾值分類法將滿足條件的對象“unclassified”分類至“thincloud”，采用的2個分類特征分別為運算特征“thickc”和關(guān)系特征“thinc”，具體公式如下：

其中，k1為由用戶參考影像質(zhì)量等因素設(shè)定的閾值；k2為由用戶參考影像質(zhì)量等因素設(shè)定的閾值；unclassified(thickc，thinc)表示分類屬性是unclassified的所有對象的(thickc，thinc)值集合；{thickc，thinc∣thickc≥k1，且thinc≥k1}表示滿足thickc≥k1，且thinc≥k2條件的所有對象的集合；thincloud(thickc，thinc)表示分類屬性是thincloud的所有對象的(thickc，thinc)值集合。

所述分類模塊104還用于將上述分類至“thickcloud”和“thincloud”的對象統(tǒng)一分類至“cloud”，完成數(shù)據(jù)除云。具體而言：

將類別屬性為“thickcloud”和“thincloud”的對象統(tǒng)一賦予類別“cloud”，至此便完成了對所述landsattm遙感影像數(shù)據(jù)的云識別處理，最終得到了帶有云類別屬性的矢量數(shù)據(jù)。

需要說明的是，本發(fā)明是針對landsattm遙感影像數(shù)據(jù)設(shè)計的，并且得到了較為理想的實驗結(jié)果，理論上來說，只要輸入的遙感影像數(shù)據(jù)的波段信息與landsattm較為接近，都可以采用類似的方法或系統(tǒng)進行除云處理，都在本發(fā)明的權(quán)利保護范圍之內(nèi)。

本發(fā)明所用到的一個重要的圖像分類方法就是相面對象的分類方法。面向?qū)ο蟮姆诸惙椒ㄋ幚淼淖钚卧呛懈嗾Z義信息的多個像元組成的對象，而不再是面向像元的分類方法所處理的單個像元。對象相較于像元來說，不僅含有光譜信息，還含有了諸如幾何信息、紋理信息、拓撲信息、相對位置信息等更為豐富的語義信息。面向?qū)ο蟮姆诸惙椒ㄓ袃蓚€重要的優(yōu)勢：1)基于對象的分類處理可以在不同的尺度層中分別進行，從而有效克服基于單個像元、單一層次的分類缺陷；2)基于對象的分類所利用的分類特征是多語義的，有對象特征、類相關(guān)特征、場景特征等等，可以有效克服只利用光譜分類帶來的局限性問題。

雖然本發(fā)明參照當前的較佳實施方式進行了描述，但本領(lǐng)域的技術(shù)人員應(yīng)能理解，上述較佳實施方式僅用來說明本發(fā)明，并非用來限定本發(fā)明的保護范圍，任何在本發(fā)明的精神和原則范圍之內(nèi)，所做的任何修飾、等效替換、改進等，均應(yīng)包含在本發(fā)明的權(quán)利保護范圍之內(nèi)。