基于改进FCM算法的SDGSAT-1多光谱影像云掩膜生成方法

Cloud mask production method based on improved FCM algorithm for SDGSAT-1 multispectral images

摘要

可持续发展科学卫星1号（SDGSAT-1）是中国科学院于2021年11月5日成功发射升空的首颗地球科学卫星，旨在实现全球可持续发展目标，为人与自然相互作用的研究提供数据支撑。由于可见光对云层穿透性差，大量光学卫星遥感图像不可避免地受到云层干扰。因此，云掩膜生成是光学遥感处理系统中重要的处理步骤。而SDGSAT-1多光谱影像中缺少传统算法所需要的短波红外波段，传统的云掩膜生成算法难以适用。针对这一问题，提出一种基于改进模糊C均值（FCM）算法的云掩膜生成方法，以亮度、NDWI、NDVI和HOT等4个光谱特征作为输入变量，引入马氏距离，以K-means算法的结果作为初始聚类中心，最后执行FCM算法得到云掩膜。使用已公开的SDGSAT-1多光谱影像对该方法的性能进行验证，并与其他方法进行对比，实验结果表明，该方法的总体精度平均值为95.33%，相比其他方法更具优势。

Abstract

Sustainable development science satellite-1 （SDGSAT-1） is the first earth science satellite of the Chinese Academy of Sciences. It was successfully launched on November 5， 2021， aiming to achieve the global sustainable development goals and provide data for the study of interaction between humans and nature. Due to the poor penetration of visible light through cloud， many optical satellite remote sensing images are inevitably disturbed by cloud. Therefore， cloud mask production is an important processing step in optical remote sensing processing system. However， SDGSAT-1 multispectral images lack the short-wave infrared band required by the traditional cloud mask production algorithm， so the traditional cloud mask production algorithm is difficult to apply. Therefore， this paper proposes a cloud mask production method for SDGSAT-1 multispectral images based on fuzzy C-means （FCM） algorithm. The method selects the four spectral features of brightness， NDWI， NDVI， and HOT as input features. On this basis， the Mahalanobis distance is introduced， the results of K-means algorithm are used as the initial clustering center， and finally FCM algorithm is executed to obtain the final cloud mask. In the paper， the published SDGSAT-1 multispectral images are used to verify the performance of the proposed method and to compare it with other methods. The experimental results show that the average accuracy of the proposed method is 95.33%， which is higher than those of other methods.

随着科学技术的飞速发展，遥感技术凭借其探测范围广、图像信息量大、获取图像速度快等优点，在农业监测、土地变化探测、气候变化、地震损失探测、火灾探测等领域发挥着重要作用^［1-5］。尽管遥感技术已经日趋成熟，但是由于可见光对于云层穿透性较差^［6］，导致光学遥感卫星影像不可避免地会受到云层干扰。

为解决《联合国2030年可持续发展议程》实施过程中面临的数据量少与方法不完善的问题^［7］，中国科学院研制了可持续发展科学卫星1号（sustainable development science satellite-1，SDGSAT-1）。该卫星是全球首颗专门服务于该议程的卫星，也是中国科学院第一颗地球科学卫星，已于2021年11月5日成功发射升空，2021年12月20日正式发布首批影像。SDGSAT-1是一颗光学遥感卫星，其多光谱影像也会受到云层干扰，为减少资源浪费，精确提取影像中的目标地物，为实现可持续发展目标提供数据支撑，设计一套适合SDGSAT-1多光谱影像产品的云掩膜生成方法是至关重要的。

目前，遥感图像云掩膜生成算法主要可以分为光谱阈值法、纹理分析法、机器学习法等^［8］。光谱阈值法是根据云和各地物在卫星传感器各波段下的反射率差异，设置多个检测阈值，进而将云与其他地物区分开。该方法简单易行，但是不同卫星的波段数量和波长不一致，不一定适用于每一颗卫星。Irish^［9］针对Landsat 7影像提出自动云量评价算法，该算法以可见光、热红外等波段构造多个波段组合，得到精度较高的Landsat 7遥感图像云掩膜。Zhu和Woodcock^［10］提出Fmask（function of mask）算法，该算法基于影像自身像元的光谱、温度特征构建云概率模型，动态计算云概率阈值来检测云像元，能够自适应不同的环境。

特征可以反映图像中像元的空间分布，通过像元与其邻域像元的关系来表现，但是计算复杂度较高，且分块检测方法会降低精度。边缘特征、分形维数和灰度共生矩阵等是常用的方法，如Zhang等^［11］以灰度共生矩阵为基础，对不同方向设置不同权重，得到最终的纹理特征生成云掩膜。Dong等^［12］首先根据影像的直方图计算阈值，再根据灰度值和角二阶矩，得到准确的云掩膜结果。

近年来，机器学习技术快速发展，有许多学者研究基于聚类算法的云掩膜生成方法。Dinc等^［13］首先对数据进行预处理，然后分析并选取适当的波段和特征参数，最后使用K均值（K-means）算法将云与其他地物区分，聚类方法通过分析各特征之间的相对差别进行聚类，对于不同环境的影像有着较好的效果。Xiang^［14］首先根据Otsu算法确定云像元和非云像元，然后取最近的样本作为初始聚类中心，以K-means算法进行聚类得到云掩膜。不同于K-means算法的硬划分方式，模糊C均值（fuzzy C-means，FCM）算法采用软划分方式，可以更好地对薄云的所属类别进行划分。Ping等^［15］针对Landsat 7影像，使用较少的特征，引入FCM算法生成云掩膜，漏检率比其他方法更低，说明对于薄云的检测率更高。Pugazhenthi和Kumar ^［16］将K-means算法与FCM算法相结合，设计一种适合MODIS卫星的云掩膜生成方法，相较于单独使用K-means算法，该方法的精度更高。

薄云的特征往往介于云与下垫面之间，属于云还是下垫面难以界定，因此薄云检测一直是云掩膜生成中的难题。FCM算法引入隶属度^［17］的概念，描述数据属于某一类的概率，相较于K-means算法的硬聚类，FCM算法对于检测薄云更具优势。传统FCM算法还存在一些问题，其距离度量使用欧氏距离，对于遥感影像这种数据量极大、特征数量多的数据，欧氏距离并不适用。其次，FCM算法的初始聚类中心是随机选择的，不同的初始聚类中心可能会得到不同的结果，这会降低云掩膜的精度。针对上述问题，本文对传统FCM算法进行改进，提出一种基于改进FCM算法的云掩膜生成方法。

1 SDGSAT-1参数介绍

SDGSAT-1是一颗太阳同步轨道卫星，轨道高度为505 km，轨道倾角为97.5°，降交点为上午9：30，卫星质量小于760 kg，幅宽为300 km，地面目标重访周期约为11 d^［18］。SDGSAT-1搭载的载荷如下：多谱段成像仪主要应用于地球环境的观测，空间分辨率为10 m，表1是多谱段成像仪各波段的参数；微光成像仪主要应用于夜晚城市的灯光探测，全色波段空间分辨率为10 m，彩色波段为60 m；热红外成像仪主要应用于地表热辐射空间分布的探测，空间分辨率为30 m。

虽然SDGSAT-1搭载了热红外波段，但是不能同时获取同一地区的多光谱影像和热红外影像，因此在研究适用于SDGSAT-1多光谱影像的云掩膜生成方法时，不能使用热红外波段。SDGSAT-1通过多载荷的全天时协同工作，探测地球表面的地物参量，对人类活动痕迹进行精确刻画，实现全球可持续发展目标，为人与自然的交互作用提供数据支撑。

2 云掩膜生成方法

基于光谱特征，以4个波段组合作为输入特征，引入马氏距离作为距离度量，根据K-means算法得到初始聚类中心，执行FCM算法，最终得到云掩膜结果。

2.1 输入特征

FCM算法是一种聚类算法，需要输入特征作为聚类的依据。本文使用4个波段组合作为输入特征。

1）亮度特征

云在光学遥感影像中具有高亮的特征，在各个波段的反射率都很高，因此选取波段3、4和5的反射率平均值作为亮度特征

\mathrm{M}\mathrm{e}\mathrm{a}\mathrm{n}=\frac{B\mathrm{3}+B\mathrm{4}+B\mathrm{5}}{\mathrm{3}}，（1）

式中，\mathrm{M}\mathrm{e}\mathrm{a}\mathrm{n}是反射率平均值，B\mathrm{3}\mathrm{、}B\mathrm{4}\mathrm{、}B\mathrm{5}分别是波段3、4、5的反射率。

2） NDWI

归一化水体指数（normalized difference water index，NDWI）是McFeeters^［19］提出的用于增强水体区域检测的方法，由于水在红波段的反射率要略大于近红外波段的反射率，而云则相反，因此此特征通常用来识别水体。NDWI计算公式为

\mathrm{N}\mathrm{D}\mathrm{W}\mathrm{I}=\frac{B\mathrm{4}-B\mathrm{7}}{B\mathrm{4}+B\mathrm{7}}，（2）

式中，B\mathrm{7}是波段7的反射率。

图1是1景影像的NDWI结果。蓝色区域为水体，其NDWI值大部分都超过0.1，绿色部分为云，NDWI值大部分都小于0.1。二者差异明显。

3） NDVI

归一化植被指数（normalized difference vegetation index，NDVI）通常用来检测植被覆盖度^［20］，由于植被在可见光波段反射率较低，在近红外波段反射率有一个较大的突增，2个波段反射率的差值较大。而云在这些波段的反射率都很高，差异不大，所以其NDVI通常更接近于0。NDVI计算公式为

\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}=\frac{B\mathrm{7}-B\mathrm{5}}{B\mathrm{7}+B\mathrm{5}}.（3）

图2是1景影像的NDVI结果。蓝色区域为植被，其NDVI值大部分都超过0.3，绿色部分为云，NDVI值相比于植被小得多，因此容易区分。

4） HOT

Zhang等^［21］提出的HOT（haze optimized transformation）方法表明，大多数地物在红蓝波段的反射率有着很高的相关性，而云、雾等在红蓝波段的相关性与其他地物存在一定差异。通过该方法可以更好地去除非云地物，且对于薄云有着更优的检测效果。HOT计算公式为

\mathrm{H}\mathrm{O}\mathrm{T}=B\mathrm{3}-\mathrm{0.5}\times B\mathrm{5}-\mathrm{0.06}.（4）

2.2 FCM算法

FCM算法主要包含以下参数：

1）目标函数

目标函数是指各数据点到各类别聚类中心的距离之和，FCM算法的过程就是为了最小化目标函数，通过多次迭代计算，减小两次目标函数之间的误差，当目标函数的误差减小到一定程度时，就能得到最优的聚类结果。目标函数计算公式为

J_m={\displaystyle \sum _{i=\mathrm{1}}^N}{\displaystyle \sum _{j=\mathrm{1}}^C}{u}_{ij}^m{d}_{ij}^{\mathrm{2}}， \mathrm{1}\le m\mathrm{\infty }，（5）

式中，m为权重指数，N为样本数量，C为聚类中心的数量，u_{ij}为样本x_i属于聚类中心c_j的隶属度，d_{ij}为样本x_i与聚类中心c_j之间的距离度量。

2）隶属度

隶属度表示一个样本点属于每个类别的程度，隶属度越高，说明样本点属于这个类别的概率越高，且每个样本点对于每个类别的隶属度之和为1，所有的隶属度构成一个隶属度矩阵。隶属度计算公式为

u_{ij}=\frac{\mathrm{1}}{{\displaystyle \sum _{k=\mathrm{1}}^C}{\left(\frac{d_{ij}}{d_{ik}}\right)}^{\frac{\mathrm{2}}{m-\mathrm{1}}}}.（6）

3）聚类中心

FCM算法每次迭代后，都会计算出新类别的聚类中心，然后计算各样本点与新聚类中心的距离。聚类中心计算公式为

c_j=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}{u_{ij}}^m{x}_i}{{\displaystyle \sum _{i=\mathrm{1}}^N}{u_{ij}}^m}.（7）

4）终止条件

FCM算法是一个不断迭代直到达到最优划分的过程，一般以隶属度矩阵的变化判断是否达到最优，当两次迭代的隶属度矩阵变化值很小时，即使继续进行迭代过程，隶属度矩阵也基本不会产生太大变化，这时认为划分达到最优。终止条件计算公式为

\left|{u_{ij}}^{(t+\mathrm{1})}-{u_{ij}}^t\right|\epsilon，（8）

式中，t为迭代次数，\epsilon为误差阈值。

由FCM算法主要参数的计算公式可知，目标函数是由隶属度u_{ij}和距离度量d_{ij}计算得到的，距离度量d_{ij}又表示样本x_i与聚类中心c_j之间的距离度量。也就是说，计算目标函数其实就是计算隶属度u_{ij}和聚类中心c_j的过程。而隶属度u_{ij}和聚类中心c_j又是互相包含的关系，只需确定其中一个值，另一个值也就确定了，因此FCM算法通常在迭代之前设定初始聚类中心。经过反复迭代，隶属度u_{ij}和聚类中心c_j不断变化，当隶属度u_{ij}和聚类中心c_j不再变化时，意味着当前划分是最优的^［22-23］。

2.3 马氏距离

传统聚类方法所使用的距离度量主要为欧氏距离，欧氏距离计算简单，且表示方法直观有效，往往能取得较好的效果。但是欧氏距离对于不同量纲的数据，采用平等的方法进行测量，容易因为数据量纲的不同造成较大的误差，不利于处理多维数据^［24］。

在遥感云掩膜生成中，通常使用多个波段组合区分云与其他地物，例如本文使用NDVI、NDWI、亮度值等多个特征作为聚类的输入特征。这些特征彼此具有一定相关性，与前例相似，数据的差异程度也不相同，使用欧氏距离效果不佳。马氏距离与欧氏距离不同，它考虑到多个特征之间的联系，引入协方差这一参数，同时使数据归一化，使得马氏距离不受特征量纲的干扰，在处理多维数据的场景具有优势，因此本文用马氏距离代替欧氏距离。向量\mathit{x}到均值为\mu、协方差为\mathit{\Sigma }的马氏距离为

d=\sqrt[]{(\mathit{x}-\mu ){\mathit{\Sigma }}^{-\mathrm{1}}{(\mathit{x}-\mu )}^{\mathrm{T}}}.（9）

2.4 基于K-means算法的聚类中心初始化

根据FCM算法的计算公式，聚类中心与隶属度矩阵互相包含，只要一个值已知，就可以确定另外一个值，因此在迭代开始前，需要设置初始聚类中心。初始聚类中心的选择十分重要，不同的初始聚类中心可能会得到不同的结果，而传统FCM算法初始化聚类中心的方法往往是随机选择，这对云掩膜结果的精度会造成很大影响^［25］。

为解决这个问题，本文设计了一种方法，先使用K-means算法对影像进行云掩膜生成，得到初步的云与其他地物的聚类中心，将其作为FCM算法的初始聚类中心，再对影像进行云掩膜生成。该方法可以提高FCM算法聚类正确率，同时加快收敛速度，减少算法时间。

K-means算法对一个类别中各样本到聚类中心距离的平方之和称为类内平方和，在使用欧氏距离的情况下，类内平方和为

J(c_k)=\sum _{x_i\in c_k}(x_i-u_k{)}^{\mathrm{2}}，（10）

式中，c_k是第k个类别，x_i是第k个类别中第i个样本，u_k是第k个类别的聚类中心。

将所有样本的类内平方和相加得到整体平方和，整体平方和越小表示聚类中心越稳定。K-means算法的目标就是使得整体平方和尽可能小，目标函数为

J(C)={\displaystyle \sum _{k=\mathrm{1}}^K}\sum _{x\in c_i}(x_i-u_k{)}^{\mathrm{2}}.（11）

3 实验与分析

为验证本文方法的可行性，选取不同下垫面类型的SDGSAT-1多光谱影像数据作为实验对象，展示本方法的云掩膜结果，对方法的性能进行评价，并与MSScvm （multispectral scanner clear-view-mask）算法^［26］和HMF （hybrid multispectral features）算法^［27］进行对比。

MSScvm算法是针对Landsat系列卫星的MSS传感器提出的一种云掩膜生成算法，仅使用红绿波段就能得到较好的检测效果。HMF算法是针对高分1号卫星提出的一种云掩膜生成算法，设计了3个光谱阈值组合，并根据太阳天顶角计算动态阈值。由于SDGSAT-1卫星多谱段成像仪与MSS传感器和高分1号卫星的波段设计相似，因此选用这2种算法应用于SDGSAT-1卫星多光谱影像，并与本文方法进行对比。

3.1 不同下垫面类型的云掩膜结果

本节所展示的影像均为目前已公开的SDGSAT-1多光谱数据，由于1景影像的像素数量过多，因此只选取1景影像的部分区域进行展示，像素大小为5 000×5 000，并对一些细节进行分析。同时为了验证算法对不同环境的云掩膜结果，选取多种下垫面类型的影像进行对比实验，包括植被、水体、裸地等，所有原始影像的信息如表2所示。

图3是澳大利亚东南部的1景影像，下垫面主要是植被。由图中可以看出，3种方法都可将大部分云检测出来，但是在细节上仍有差异。MSScvm算法使用固定阈值，有一些灰度值较低的薄云被漏检，且由于波段组合比较单一，有一些高亮的裸地被误判为云。HMF算法加入了动态阈值，检测率高于MSScvm算法。本文方法在多个特征组合的基础上，引入FCM算法，以聚类方法实现了自适应检测的功能，由细节图可以看出，本文方法检测出更多薄云，因此性能优于其他2种算法。

图4是埃塞俄比亚中部的1景影像，下垫面主要为裸地。由图中可以看出，MSScvm算法将很多高亮地表误判为云。这是因为其波段组合比较单一，不能很好地区分云与高亮地表。而HMF算法与本方法加入了HOT方法，因此准确率较高。

图5是墨西哥西南部沿海地区的1景影像，下垫面主要是水体。该影像地物类型比较单一，3种方法都设计了对水体的检测方案，因此都有着很好的效果，只是在边缘处的薄云检测数量存在差异。本方法使用FCM聚类算法，准确率相对较高。

图6是埃塞俄比亚北部的1景影像，下垫面主要为植被和裸地。该影像高亮地表较少，因此MSScvm算法的误检率相对较低，但还是存在误检情况。HMF算法与本文方法的云掩膜结果相似，但本文方法的边缘薄云检测率优于HMF算法。

在展示3种方法对不同影像的云掩膜结果后，对各方法性能进行定量分析，并对其总体精度指标进行评价。总体精度计算公式为

\mathrm{总体}\mathrm{精度}=\frac{T_{\mathrm{P}}+T_{\mathrm{N}}}{N}，（12）

式中，T_{\mathrm{P}}为算法识别为云且实际确实是云的像素个数，T_{\mathrm{N}}为算法识别为非云且实际确实非云的像素个数，N为像素总个数。

由于对1景影像目视解译工作量极大，因此对每景影像选取20个300×300的区域，进行目视解译后与算法结果进行比较，最后取平均值作为该影像的性能指标。

表3是3种云掩膜生成方法的总体精度。可以看出，本文方法对所有影像的总体精度都超过了90%，且都高于MSScvm算法和HMF算法。图3大多数地物为植被，3种方法的总体精度相差不大，说明对于植被的检测正确率较高。对于图4，MSScvm算法远低于其他算法，这是因为图中存在大量高亮地表，而HMF算法与本方法引入HOT方法，因此能够成功检测裸地。在图5中，位于水体上方的云大多是相连的，碎云较少，碎云越多则厚云周围薄云的面积就越大，漏检的薄云也会越多，该影像中碎云较少，漏检率相对会降低，因此3种方法对该影像的总体精度差别较小。图6中虽然也存在裸地，但是特别高亮的地表并不多，因此MSScvm算法并没有很高的误检率，本文方法改进了FCM算法中的距离度量，使用适合于多维数据的马氏距离，因此对于植被与裸地混合的影像，同样具有较高的精度。

3.2 总体性能分析

为综合评价本方法的性能，本节统计多景影像的总体精度和云量的线性拟合，并与其他方法进行对比。由于对1景完整影像进行目视解译的工作量极大，本节从所有测试影像中随机选取88个300×300大小的区域进行验证实验。

图7是3种云掩膜生成方法的总体精度直方图，本方法总体精度平均值为95.33%，MSScvm算法总体精度平均值为88.34%，HMF算法总体精度平均值为91.36%，证明本文方法总体精度优于其他算法。从图中可以看出，本文方法对于大部分影像，总体精度都在90%以上，且几乎没有影像会低于80%。这是因为本方法采用了聚类方法根据输入特征将云像元自动聚类，相较于阈值分割方法计算阈值后分割，本文方法具有更高的稳定性。

图8是检测云量与真实云量的线性拟合图，根据线性拟合结果，计算决定系数R^{\mathrm{2}}与均方根误差RMSE，可以分析云掩膜生成算法的稳定性与误差大小。从图中可以看出，MSScvm算法误判比较严重，有很多数据点偏离回归线的程度极大，R^{\mathrm{2}}仅为0.620，RMSE高达12.61%。HMF算法，整体的离散程度优于MSScvm算法，R^{\mathrm{2}}为0.779，RMSE为9.52%。本文方法的线性拟合图中，数据点相较于其他2种算法更加集中，R^{\mathrm{2}}为0.977，接近于1，远高于MSScvm算法与HMF算法，RMSE为3.72%，也远低于MSScvm算法与HMF算法。这说明本文方法对于不同类型的影像，都有着足够高的精度，这得益于本方法使用的FCM算法，通过聚类的方法代替固定阈值，自动对云像元进行聚类，极大提高了算法的适应性和稳定性。同时，本方法使用马氏距离对传统FCM算法进行改进，因此检测云量非常接近于真实云量。

为验证本文方法相较于传统FCM算法在性能上是否有提升，使用Davies-Bouldin指数（Davies-Bouldin index，DBI）与轮廓系数（silhouette coefficient，SC）2个指标对云掩膜结果进行评价。

DBI是Davies和Bouldin^［28］于1979年提出的一种内在评价指标，用于评价非监督聚类方法的性能，是目前聚类性能评价领域使用最为广泛的一个评价指标。DBI的核心思想是计算每个类别与其他类别的相似度，并选取每一类的最大相似度，然后计算所有类别最大相似度的平均值，以此评价聚类性能。类别间相似度越大，类别之间的差别就越小，说明聚类效果越差。因此，DBI越小，聚类效果越好，DBI越大，聚类效果越差。

DBI计算公式为

\mathrm{D}\mathrm{B}\mathrm{I}=\frac{\mathrm{1}}{K}{\displaystyle \sum _{i,j=\mathrm{1}}^K}\underset{i\ne j}{\mathrm{m}\mathrm{a}\mathrm{x}}{R}_{ij}，（13）

式中，K为聚类数量，R_{ij}为2个类别之间的相似度。

相似度根据类别内样本与聚类中心的距离，以及各聚类中心的距离计算，公式为

\begin{array}{l}{R}_{ij}=\frac{s_i+s_j}{d_{ij}}\\ =\frac{\sum _{x\in c_i}‖x-c_i‖+\sum _{x\in c_j}‖x-c_j‖}{‖c_i-c_j‖}\end{array}，（14）

式中，s_i为类别内所有样本与聚类中心的距离之和，d_{ij}为2个聚类中心之间的距离。

SC是Rousseeuw^［29］于1987年提出的一种内在评价指标，可以用来评价聚类的质量。SC的核心思想是首先计算一个类别内的样本与该类别内其他样本距离的平均值a(i)，以及该样本与其他类别内样本的距离平均值，并取最小值记为b(i)，然后计算二者之差与二者之中高值的比值，即为该样本的轮廓系数，最后对所有样本取均值作为本次聚类的轮廓系数。SC的范围为\left[-\mathrm{1,1}\right]，越接近1，表示聚类效果越好；越接近-1，表示聚类效果越差；越接近0，表示聚类效果越不明显。

SC计算公式为

\mathrm{S}\mathrm{C}(i)=\frac{b(i)-a(i)}{\mathrm{m}\mathrm{a}\mathrm{x}\left\{a(i),b(i)\right\}}，（15）

式中，a(i)计算公式为

a(i)=\frac{\mathrm{1}}{\left|C_i\right|-\mathrm{1}}\sum _{j\in C_i,i\ne j}d(i,j)，（16）

式中，\left|C_i\right|为类别中样本的数量，d(i,j)为样本到其他样本的距离。

b(i)计算公式为

b(i)=\underset{k\ne i}{\mathrm{m}\mathrm{i}\mathrm{n}}\frac{\mathrm{1}}{\left|C_k\right|}\sum _{j\in C_k}d(i,j).（17）

表4为本文方法与传统FCM算法的DBI与SC对比，本方法的DBI为0.4120，低于传统FCM算法的0.463 4，SC为0.791 6，大于传统FCM算法的0.777 5，说明本方法相较于传统FCM算法，性能在一定程度上有所提升。此外，本文还对算法迭代次数进行对比。由于本文方法引入K-means算法，迭代次数相较于传统FCM算法更低。对3张测试图像的测试结果表明，本文方法仅需迭代11次，而传统FCM算法需迭代21次。

4 结论

云掩膜生成一直是遥感领域的研究热点，本文提出一种基于改进FCM算法的适用于SDGSAT-1的云掩膜生成方法。设计了亮度特征、NDWI、NDVI、HOT这4个特征作为输入特征，以提高方法的适用性。同时引入马氏距离，提高对多维特征的处理精度。设计基于K-means算法的聚类中心初始化算法，提高FCM算法的准确性，并减少算法的计算时间。

实验证明，对于不同下垫面类型的影像，本文方法得到的精度均高于其他算法，总体精度平均值为95.33%，且检测云量也更接近于实际云量，可以满足实际工程的需要。

本文方法使用无监督学习的聚类方法，精度相较于深度学习方法仍有提升的空间。后续将对基于深度学习的云掩膜生成方法进行研究，以进一步提高云掩膜精度。此外，本文方法是基于SDGSAT-1的特性进行研究的，其适用性也将在后续进行研究。

参考文献

[1] Nguyen T T， Hoang T D， Pham M T， et al. Monitoring agriculture areas with satellite images and deep learning［J］. Applied Soft Computing， 2020， 95： 106565. DOI： 10.1016/j.asoc.2020.106565 .

[2] Lv Z Y， Liu T F， Benediktsson J A， et al. Land cover change detection techniques： very-high-resolution optical images： a review［J］. IEEE Geoscience and Remote Sensing Magazine， 2022， 10（1）： 44-63. DOI： 10.1109/MGRS.2021.3088865 .

[3] Zellweger F， De Frenne P， Lenoir J， et al. Advances in microclimate ecology arising from remote sensing［J］. Trends in Ecology Evolution， 2019， 34（4）： 327-341. DOI： 10.1016/j.tree.2018.12.012 .

[4] Lu X Z， Zeng X， Xu Z， et al. Improving the accuracy of near real-time seismic loss estimation using post-earthquake remote sensing images［J］. Earthquake Spectra， 2018， 34（3）： 1219-1245. DOI： 10.1193/041417eqs072m .

[5] Abdollahi M， Islam T， Gupta A， et al. An advanced forest fire danger forecasting system： integration of remote sensing and historical sources of ignition data［J］. Remote Sensing， 2018， 10（6）： 923. DOI： 10.3390/rs10060923 .

[6] Birk R， Camus W， Valenti E， et al. Synthetic aperture radar imaging systems［J］. IEEE Aerospace and Electronic Systems Magazine， 1995， 10（11）： 15-23. DOI： 10.1109/62.473408 .

[7] Guo H D. Big earth data： a new frontier in Earth and information sciences［J］. Big Earth Data， 2017， 1（1/2）： 4-20. DOI： 10.1080/20964471.2017.1403062 .

[8] 侯舒维， 孙文方， 郑小松. 遥感图像云检测方法综述［J］. 空间电子技术， 2014， 11（3）： 68-76， 86. DOI： 10.3969/j.issn.1674-7135.2014.03.014 .

[9] Irish R R. Landsat 7 automatic cloud cover assessment［C］//Algorithms for Multispectral， Hyperspectral， and Ultraspectral Imagery VI. SPIE， 2000， 4049： 348-355. DOI：10.1117/12.410358 .

[10] Zhu Z， Woodcock C E. Object-based cloud and cloud shadow detection in Landsat imagery［J］. Remote Sensing of Environment， 2012， 118： 83-94. DOI： 10.1016/j.rse.2011.10.028 .

[11] Zhang X， Cui J T， Wang W S， et al. A study for texture feature extraction of high-resolution satellite images based on a direction measure and gray level co-occurrence matrix fusion algorithm［J］. Sensors （Basel， Switzerland）， 2017， 17（7）： 1474. DOI： 10.3390/s17071474 .

[12] Dong Z P， Wang M， Li D R， et al. Cloud detection method for high resolution remote sensing imagery based on the spectrum and texture of superpixels［J］. Photogrammetric Engineering Remote Sensing， 2019， 85（4）： 257-268. DOI： 10.14358/pers.85.4.257 .

[13] Dinc S， Russell R， Parra L A C. Cloud region segmentation from all sky images using double K-means clustering［C］//2022 IEEE International Symposium on Multimedia （ISM）， Italy. IEEE， 2022： 261-262. DOI： 10.1109/ISM55400.2022.00058 .

[14] Xiang P S. A cloud detection algorithm for MODIS images combining kmeans clustering and otsu method［J］. IOP Conference Series： Materials Science and Engineering， 2018， 392（6）： 062199. DOI： 10.1088/1757-899x/392/6/062199 .

[15] Ping B， Su F Z， Meng Y S. A cloud and cloud shadow detection method based on fuzzy c-means algorithm［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 1714-1727. DOI： 10.1109/JSTARS.2020.2987844 .

[16] Pugazhenthi A， Kumar L S. Cloud extraction from INSAT-3D satellite image by K-means and fuzzy C-means clustering algorithms［C］//2020 International Conference on System， Computation， Automation and Networking （ICSCAN）. Pondicherry， India. IEEE， 2020： 1-4. DOI： 10.1109/ICSCAN49426.2020.9262330 .

[17] Zadeh L A. Fuzzy sets［J］. Information and control， 1965， 8（3）： 338-353. DOI： 10.1016/S0019-9958（65）90241-X .

[18] Guo H D， Chen H Y， Chen L F， et al. Progress on CASEarth satellite development［J］. Chinese Journal of Space Science， 2020， 40（5）： 707-717.DOI：10.11728/cjss2020.05.707 .

[19] McFeeters S K. The use of the normalized difference water index （NDWI） in the delineation of open water features［J］. International Journal of Remote Sensing， 1996， 17（7）： 1425-1432. DOI： 10.1080/01431169608948714 .

[20] Carlson T N， Ripley D A. On the relation between NDVI， fractional vegetation cover， and leaf area index［J］. Remote Sensing of Environment， 1997， 62（3）： 241-252. DOI： 10.1016/S0034-4257（97）00104-1 .

[21] Zhang Y， Guindon B， Cihlar J. An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images［J］. Remote Sensing of Environment， 2002， 82（2/3）： 173-187. DOI： 10.1016/S0034-4257（02）00034-2 .

[22] 许晨， 徐洋， 康雪， 等. 基于模糊C均值聚类算法的去云处理［J］. 河北省科学院学报， 2021， 38（4）： 35-42. DOI： 10.16191/j.cnki.hbkx.2021.04.007 .

[23] 潘聪， 夏斌， 陈彧， 等. 基于模糊聚类的MODIS云检测算法研究［J］. 微计算机信息， 2009， 25（4）： 124-125， 131.

[24] Yang C， Bruzzone L， Sun F Y， et al. A fuzzy-statistics-based affinity propagation technique for clustering in multispectral images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（6）： 2647-2659. DOI： 10.1109/TGRS.2010.2040035 .

[25] Celebi M E， Kingravi H A， Vela P A. A comparative study of efficient initialization methods for the K-means clustering algorithm［J］. Expert Systems with Applications， 2013， 40（1）： 200-210. DOI： 10.1016/j.eswa.2012.07.021 .

[26] Braaten J D， Cohen W B， Yang Z Q. Automated cloud and cloud shadow identification in Landsat MSS imagery for temperate ecosystems［J］. Remote Sensing of Environment， 2015， 169： 128-138. DOI： 10.1016/j.rse.2015.08.006 .

[27] Xiong Q， Wang Y， Liu D Y， et al. A cloud detection approach based on hybrid multispectral features with dynamic thresholds for GF-1 remote sensing images［J］. Remote Sensing， 2020， 12（3）： 450. DOI： 10.3390/rs12030450 .

[28] Davies D L， Bouldin D W. A cluster separation measure［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979， PAMI-1（2）： 224-227. DOI： 10.1109/TPAMI.1979.4766909 .

[29] Rousseeuw P J. Silhouettes： a graphical aid to the interpretation and validation of cluster analysis［J］. Journal of Computational and Applied Mathematics， 1987， 20： 53-65. DOI： 10.1016/0377-0427（87）90125-7 .