(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211251483.3 (22)申请日 2022.10.13 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区学府路 253号 (72)发明人 王开正　付一桐　周顺珍　谭义章　 俞瑞龙　王帅旗　孔德照　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 马进 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/20(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06T 5/00(2006.01) (54)发明名称 一种基于K-means ++的Himawari-8多光谱 云检测方法及系统 (57)摘要 本发明公开了一种基于K ‑means++的 Himawari ‑8多光谱云检测方法及系统， 包括： 获 取Himawari‑8遥感图像； 对遥感图像进行标准化 预处理， 得到预处理图像； 根据预处理图像判断 检测时段是否为白天时段； 若检测时段为白天时 段， 则对预处理图像进行锐化处理， 得到薄云区 域增强图像； 以Hi mawari‑8所搭载A HI的通道3与 通道4的反射率之和作为聚类特征， 对预处理图 像和薄云区域增强图像分别进行K ‑means++聚 类； 将得到的云层主体部分聚类结果和薄云部分 聚类结果进行叠加， 即得云检测结果。 本发明提 供的云检测方法操作简单， 省时省力， 受客观因 素的限制少， 能够准确识别图像中的厚云、 薄云， 效果稳健。 权利要求书3页 说明书8页 附图7页 CN 115512236 A 2022.12.23 CN 115512236 A 1.一种基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特 征在于， 包括： 获取Himawari ‑8遥感图像； 对所述遥感图像进行 标准化预处理， 得到预处 理图像； 根据所述预处 理图像判断检测时段 是否为白天时段； 若检测时段为白天时段， 则对所述预处 理图像进行锐化处 理， 得到薄 云区域增强图像； 以Himawari ‑8所搭载AHI的通道3与通道4的反射率之和作为聚类特征， 对所述预处理 图像和所述薄云区域增强图像分别进行K ‑means++聚类， 得到云层主体部分聚类结果和薄 云部分聚类结果； 将所述云层主体部分聚类结果和薄 云部分聚类结果进行叠加， 即得云检测结果。 2.根据权利要求1所述的基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特征在 于， 若检测时段为夜间时段， 则以Himawari ‑8所搭载AHI的通道15的亮温值以及通道7与通 道14的亮温差值作为聚类特 征， 对所述预处 理图像进行 K‑means++聚类， 即得云检测结果。 3.根据权利要求1所述的基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特征在 于， 所述标准 化预处理的标准 化公式为： 式中， z为原始数据标准化后的值， X为待处理的原始数据， Xmean为原始数据的平均值， Xstd为原始数据的标准差 。 4.根据权利要求1所述的基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特征在 于， 所述预处 理图像进行锐化处 理以得到薄 云区域增强图像的计算公式为： 式中， g(x,y)为薄云区域增强图像， f(x,y)为预处理图像中样本点(x,y)的值， w(i,j) 为锐化卷积核， f(x+i,y+i)为预处 理图像中样本点(x+i,y+i)的值。 5.根据权利要求4所述的基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特征在 于， 所述锐化卷积核的求取 方法包括： 对拉普拉斯微分算子x， y两个方向的二阶导数进行差分， 得到拉普拉斯微分算子的差 分形式， 其中， 拉普拉斯 微分算子的笛卡尔坐标系下的表达式为： 所得到的拉普拉斯 微分算子的差分形式为： 式中， 为拉普拉斯算子， f(x+1,y)为预处理图像中样本点(x+1,y)的值， f(x ‑1,y)为 预处理图像中样本点(x ‑1,y)的值， f(x,y+1)为预处理图像中样本点(x,y+1)的值， f(x,y ‑ 1)为预处 理图像中样本点(x,y ‑1)的值； 以x和y为 坐标中心点， 将公式(4)转 化为拉普拉斯卷积核：权　利　要　求　书 1/3 页 2 CN 115512236 A 2将公式(5)处 理后的图像与所述遥感图像进行叠加， 叠加公式为： 式中， c为常数， 取值 ‑2； 令公式(6)等于公式(2)， 即可求得锐化卷积核： 6.根据权利要求1所述的基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特征在 于， 所述K ‑means++聚类的方法包括： 将n×n像素的遥感图像转化为n ×1的初始矩阵， 随机选取一个样本点的值作为首个初 始聚类中心； 计算每个样本点与 首个初始聚类中心之间的欧式距离， 并将计算所得的最大欧式距离 对应的样本点作为下一初始聚类中心， 重复该步骤， 直至 选择出k个初始聚类中心； 计算每个样本点分别与k个初始聚类中心之间的欧式距离， 然后根据计算所得的欧氏 距离将每个样本点分配给与该样本点的欧式距离最短的聚类中心， 得到新的类， 对新的类 的所有样本点进行平均值的求取， 并将平均值作为新的聚类中心， 计算新的聚类中心中样 本点的误差平方和； 重复前一步骤， 直至相邻 两次迭代后的误差平方和的差值缩小至没有对象被重新分配 给不同的类， 则停止迭代， 聚类完成； 将聚类完成并带有标签的样本点按初始 矩阵的位置进行索引； 将所有小类别划分为云和非云两大类， 云标记为1， 非云标记为0 。 7.根据权利要求6所述的基于K ‑means++的Himawari ‑8多光谱云检测方法， 其特征在 于， 所述欧式距离的计算公式为： 式中， d为欧式距离， d(a,b)为a,b两点间的欧氏距离， a1、 a2……aj、 b1、 b2……bj为a,b在 j维空间中的坐标； 所述误差平方和的计算公式为：权　利　要　求　书 2/3 页 3 CN 115512236 A 3