遥感影像云检测-传统算法：FMask(Object-based cloud and cloud shadow detection in Landsat imagery)

Fmask首先使用基于云物理属性的规则来分离潜在云像素（PCP）和清晰天空像素。接下来，将归一化温度概率、光谱可变性概率和亮度概率结合起来，分别为陆地和水域上的云生成概率遮罩。然后，将PCP和云概率掩模一起用于推导潜在云层。

1.概述

问题：

• 大多数传感器都是为中等空间分辨率传感器设计的，如先进的甚高分辨率辐射计（AVHRR）和中等分辨率成像光谱辐射计（MODIS）。
• 对于像陆地卫星这样的高空间分辨率传感器，只有一个热波段和6个光学波段位于大气窗口中，准确的云识别是困难的。
• 当云为半透明时，云阴影的变暗效果可能很微妙，使云阴影难以检测。

2.背景

• Landsat卫星数据中的云筛选是由自动云量评估（ACCA）系统进行的，ACCA通过应用大量光谱过滤器，并在很大程度上依赖于热红外波段，通常可以很好地估计每个陆地卫星场景中云的总体百分比。然而，它没有提供足够精确的云及其阴影的位置和边界，无法用于陆地卫星图像时间序列的自动分析。此外，ACCA未能识别暖卷云，并错误地将高纬度地区的雪/冰识别为云
  参考：
• Wang等人（1999年）提出使用两幅多时相陆地卫星TM图像通过图像差分查找云及其阴影。该方法可以成功地提供精确的云和云阴影遮罩，但它高度依赖于输入图像，需要一定的时间分辨率
  参考：
• Choi和Bindschadler（2004）提出了一种通过阴影匹配技术和自动归一化差异雪指数（NDSI）阈值检测冰盖上云的方法。该方法迭代匹配可能的云和云阴影边缘，以找到用于云检测的最佳NDSI阈值。它在冰原上运行良好，但耗时且仅对冰原表面有效。陆地卫星生态系统扰动自适应处理系统（LEDAPS）大气校正工具还生成一个内部云遮罩（Vermote& Saleous，2007）。
  参考：

3.FMask算法

输入数据是波段1、2、3、4、5、7和波段6亮度温度（BT）的大气顶部（TOA）反射率。对于陆地卫星L1T图像，使用LEDAPS大气校正工具将数字（DN）值转换为TOA反射率和BT（摄氏度）。然后，使用基于云和云阴影物理属性的规则提取潜在云层和潜在云阴影层。最后，利用分割出的潜在云层和几何关系匹配潜在云阴影层，生成最终云和云阴影遮罩。如果陆地卫星场景有雪，Fmask也将生成一个雪遮罩。

3.1.潜在云、云影和雪层

3.1.1.潜在云层PCP识别一(Potential cloud layer—pass one)

首先结合几个光谱测试来识别潜在的云像素（PCP）——可能是多云的像素，有时可能是清晰的像素：

由于云的明亮和寒冷的性质，所有类型的云都应该具有大于0.03（LEDAPS内部云掩蔽算法的传统）和低于27°C的BT（ACCA的传统）。云的NDSI和NDVI值通常在零左右，因为它们在光谱带中具有“白色”特征。对于某些云类型，例如植被覆盖率高的区域上的极薄云或冰云，NDVI和NDSI值可能较大，但两者都不能大于0.8，ACCA还使用NDSI阈值0.8以在第一个过程中将云与雪像素分离。

whiteness指数最初由Gomez Chova等人（2007）提出，使用可见光带之间的绝对差值和总体亮度之和来捕获此云属性。通过将差值除以可见波段的平均值，新的whiteness指数适用于LandSat卫星图像&#