基于机器学习的遥感影像云检测研究进展

邴芳飞,金永涛,张文豪,徐娜,余涛,张丽丽,裴莹莹

Research Progress of Remote Sensing Image Cloud Detection based on Machine Learning

Fangfei BING,Yongtao JIN,Wenhao ZHANG,Na XU,Tao YU,Lili ZHANG,Yingying PEI

表1 基于机器学习的遥感影像云检测方法的优点与局限

Table 1 advantages and limitations of remote sensing image cloud detection method based on machine learning

方法分类 常见方法 优点 局限 参考文献 传统的机器学习云检测方法 支持向量机、随机森林、其他传统机器学习（如Kmeans、逻辑回归、KNN等） 避免了手动设置阈值,方法比较灵活,相对于阈值法精度有较大提升。 特征构造需要人为干预,基于像素的分类，结果存在椒盐效应 Li pengfei等[21]，Pratik等[22]，张波等[23]，孙汝星等[24]，Haruma ishida等[25]，Paolo addesso等[26]，Nafiseh ghasemian和Mehdi akhoondzadeh[30]，Fu hualian等[15]，Wei jing等[31]，Xiang[35]，费文龙等[36]，Luo tengling[38]，吴炜等[39]，韩杰等[40]，Min xia等[42] 深度学习云检测方法 基于卷积神经网络（CNN）的云检测方法 可进行高分辨率、大尺度、多通道的遥感图像云分割，像素分类结果精度高 边缘分割不精确，云的形状识别不精确 Michal segal-rozenhaimer等[12]，Yu junchuan等[48]，Xie fengying等[49]，Shao zhenfeng等[50]，Markku luotamo等[51]，Shi mengyun等[52]，陈洋等[53]，徐启恒等[54] 基于U-Net的云检测方法 精确识别云和阴影，精确捕捉边界 模型迁移性需要改进 Jacob h?xbroe jeppesen等[8]，Guo yanan等[61-62]，Jiao libin等[63,82]，Zhang zhaoxiang等[64]，张家强等[65-66]，张永宏等[67]，Marc wieland等[68]，Gonzalo mateo-garcía等[69] 基于其他深度学习的云检测（如BP神经网络，深度学习与其他特征或技术相结合） 检测精度高，云边界准确 检测结果存在不确定性，训练时间长 Chen yushi等[71]， Sun lin等[72]， 高军等[73]， 刘云峰等[74]