本發(fā)明涉及遙感圖像分類識別的領(lǐng)域，特別涉及一種同步衛(wèi)星遙感序列影像的積雪識別方法及系統(tǒng)。

背景技術(shù)：

雪的空間分布是山區(qū)與季節(jié)性積雪區(qū)水文、氣象模型的重要輸入因子，研究積雪分布及其特性，對于大氣環(huán)流分析，氣候演變，水資源利用以及災(zāi)害分析有著重要的意義。

李三妹等研究了國內(nèi)靜止氣象衛(wèi)星fy-2c資料的積雪判識原理，提出了基于閾值法的輔助因子函數(shù)積雪判識方法，較好地解決了fy-2c全圓盤范圍內(nèi)廣大區(qū)域不同下墊面類型下的實時積雪監(jiān)測問題。dewildt等研究了基于meteosat衛(wèi)星數(shù)據(jù)的雪蓋制圖方法，利用靜止衛(wèi)星的高時相數(shù)據(jù)拓展了傳統(tǒng)的積雪分類方法，更好地實現(xiàn)了云和雪的區(qū)分，得到了更加精準的積雪分布圖。

地球同步軌道衛(wèi)星具有高時間分辨率、觀測范圍廣的優(yōu)勢，使得它能夠?qū)崿F(xiàn)對同一地區(qū)連續(xù)工作，能夠更有效地實現(xiàn)實時地物類型-地物監(jiān)測，一直是積雪監(jiān)測十分重要的數(shù)據(jù)來源，根據(jù)這一特點地球同步軌道衛(wèi)星在水資源利用、氣候演變以及災(zāi)情監(jiān)測等方面具有重要的應(yīng)用價值。

2015年底，中國的gf-4(gaofen-4)地球同步軌道光學(xué)衛(wèi)星的成功發(fā)射，為區(qū)域雪蓋制圖提供了強大的數(shù)據(jù)支撐。gf-4衛(wèi)星是我國首顆地球同步軌道高分辨率光學(xué)成像衛(wèi)星，也是目前世界上空間分辨率最高、幅寬最大的地球同步軌道遙感衛(wèi)星。由于gf-4衛(wèi)星傳感器不包含短波紅外波段通道(1.55μm-1.65μm),ndsi方法也不再適用于gf-4衛(wèi)星影像的積雪識別，因此積雪與云的區(qū)分成為新的難點。近年來使用缺少短波紅外波段通道(1.55μm-1.65μm)的衛(wèi)星影像，進行積雪識別的研究工作也有很多。

例如noaa/avhrr資料擁有5個觀測通道包括了從可見光到遠紅外的光譜范圍，但是這五個通道中并不包含有區(qū)分云雪的理想波段。殷青軍等通過分析noaa/avhrr資料中云和雪的光譜特征，根據(jù)云和雪在熱紅外波段avhrr-3(3.55μm-3.93μm)和avhrr-4(10.5μm-11.3μm)的亮溫差，提出新的云、雪判別因子，對于區(qū)分青南地區(qū)的云、雪有較好的效果。但是在實際判識方面仍然有缺陷，如薄云的影響，較低云層的影響以及云層造成的陰影等。黃艷艷等針對國產(chǎn)衛(wèi)星hj-1b數(shù)據(jù)積雪像元的識別問題，根據(jù)積雪在hj衛(wèi)星cdd傳感器波段上的反射率遠高于其他地物，提出了一個僅用hj-cdd數(shù)據(jù)作為數(shù)據(jù)源的積雪識別方法，該方法可以去除薄云的影響，但不能消除厚云的影響(黃艷艷,趙紅莉,楊樹紅,2016.hj-1b衛(wèi)星遙感影像的積雪識別.測繪科學(xué).41(8):129-133)。實際上，對于缺少短波紅外通道的衛(wèi)星而言，使用其影像作為唯一數(shù)據(jù)源提取積雪信息，很難消除厚云的影響。也有學(xué)者考慮使用多源數(shù)據(jù)進行積雪識別，曹云剛和劉闖指出，對于云層下面的信息，目前幾乎所有的技術(shù)手段都難以將其完全恢復(fù)。比較好的途徑是利用微波遙感數(shù)據(jù)提取積雪信息。但是這些方法有許多的弊端：一方面，預(yù)處理流程復(fù)雜，需要對不同的衛(wèi)星數(shù)據(jù)進行幾何校正，大氣校正、裁剪等工作，并且兩種數(shù)據(jù)的幾何校正的精度很難保證極高的一致性。另一方面，由于空間分辨率，寬幅，掃描區(qū)域等均存在差異，獲取同一區(qū)域、同一時間的兩種衛(wèi)星數(shù)據(jù)比較困難，所以該方法的實用性較低。

因此，如何根據(jù)同步衛(wèi)星多時相遙感影像，排除云的干擾，實現(xiàn)衛(wèi)星積雪的快速識別，成為亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是，為了克服現(xiàn)有的gf-4衛(wèi)星多時相遙感影像識別方法中云信息的干擾，提供了一種同步衛(wèi)星遙感序列影像的積雪識別方法及系統(tǒng)。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種同步衛(wèi)星遙感序列影像的積雪識別方法，包括如下步驟：

根據(jù)同步衛(wèi)星遙感影像庫，選取無云信息影響的積雪影像，構(gòu)建單時相積雪樣本集和多時相積雪樣本集；

在單時相積雪樣本集中隨機選取w個單時相積雪樣本，計算多時相待識別影像與單時相積雪樣本之間的光譜角度和亮度差；

根據(jù)所述光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像；

將所述多時相高亮地物影像，按照時間序列進行疊加，生成多時相疊加影像；

根據(jù)所述多時相積雪樣本集和所述多時相疊加影像，計算多時相疊加影像與多時相積雪樣本之間的相似度，得到動態(tài)時間規(guī)整值；

根據(jù)所述動態(tài)時間規(guī)整值，對多時相高亮地物影像進行掩膜，生成積雪初步識別結(jié)果圖像；

根據(jù)積雪初步識別結(jié)果圖像，采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像。

可選的，所述構(gòu)建單時相積雪樣本集和多時相積雪樣本集的步驟具體包括：

根據(jù)所述積雪樣本影像中實際的地物類型定義a個積雪類別，所述積雪類別的編號為1～a，a為正整數(shù)，對于第i個積雪類別分別選取ti個像元樣本作為訓(xùn)練樣本，構(gòu)成單時相積雪樣本，其中i＝1,2,…,a，ti為正整數(shù)，且不大于第i類樣本像元總數(shù)，由單時相積雪樣本組成單時相積雪樣本集；

基于同一地區(qū)，不同成像時間的m個單時相積雪樣本，對于第i個積雪類別中的第j個單時相積雪樣本，選取sij個像元，其中，j＝1,2，…，m，m為正整數(shù)，按成像時間將同一積雪類型，同一位置的像元的波段排列成向量，構(gòu)成多時相積雪樣本，其中sij為正整數(shù)，且不大于第i類樣本像元總數(shù)的m倍，由多時相積雪樣本組成多時相積雪樣本集。

可選的，所述計算多時相待識別影像與單時相積雪樣本之間的光譜角度的步驟具體包括：

按光譜角公式分別計算所述多時相待識別影像中的第i個像元與w個單時相樣本中第i個單時相積雪樣本之間的光譜角αi,w，w＝1,2，…w，其中，x＝(ai)n為多時相待識別影像中的第i個像元光譜曲線矢量；y＝(bi,w)n為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜曲線矢量；ai為多時相待識別影像中第i個像元的光譜亮度，bi,w為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度；n為多時相待識別影像所包含的波段數(shù)目；

將計算的w個光譜角，按升序排列，取第一個光譜角作為第i個像元與單時相積雪樣本的光譜角度。

可選的，所述計算多時相待識別影像與單時相積雪樣本之間的亮度差的步驟具體包括：

按亮度差值公式分別計算所述多時相待識別影像中的像元與w個單時相樣本中第i個單時相積雪樣本之間亮度差tw，w＝1,2，…w，其中，ai為多時相待識別影像中第i個像元的光譜亮度，bi,w第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度，n為多時相待識別影像所包含的波段數(shù)目；

將計算的w個亮度差，按升序排列，取第一個亮度差作為第i個像元與單時相積雪樣本的亮度差。

可選的，所述根據(jù)光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像的步驟，具體包括：

利用一次最大類間方差算法，對光譜角度、亮度差值分別尋找到對應(yīng)的初始閾值點和

分別構(gòu)建光譜角度、亮度差的直方圖，并得到直方圖的中值點lsam和llum，循環(huán)采用最大類間方差法得到光譜角度閾值isam和亮度差閾值ilum；

根據(jù)閾值isam和ilum，對于多時相待識別影像中光譜角度小于isam并且亮度差小于ilum的像元，劃歸為疑似積雪類別，保留像元信息，否則劃歸為非積雪類別，將像元值置零，生成多時相高亮地物影像sm。

可選的，所述計算多時相疊加影像與多時相積雪樣本之間的相似度，得到動態(tài)時間規(guī)整值的步驟具體包括：

利用動態(tài)時間規(guī)整算法計算多時相疊加影像的像元與多時相積雪樣本之間的相似度；

對計算的相似度值進行升序排序，將第一個相似度值作為該像元與多時相積雪樣本間的動態(tài)時間規(guī)整值。

可選的，所述對多時相高亮地物圖像進行掩膜，生成積雪初步識別結(jié)果圖像的步驟具體包括：

根據(jù)動態(tài)時間規(guī)整值，多次使用最大類間方差算法，自動尋找相似度的閾值zdi；

判斷多時相疊加影像的各像元的動態(tài)時間規(guī)整值是否大于相似度的閾值zdi，若大于，則該像元為云，賦值為1，否則該像元為非云，賦值為0，得到云信息圖像cm；

根據(jù)云信息圖像cm，對多時相高亮地物圖像進行掩膜，多時相高亮地物圖像中對應(yīng)位置的云信息圖像cm的像元若為1，則將該位置的像元置零，否則，保留該位置的像元信息，生成積雪初步識別結(jié)果圖像rm。

可選的，所述采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像的步驟具體包括：

基于積雪初步識別結(jié)果圖像，計算其每個像元的鄰域范圍內(nèi)各像元類別出現(xiàn)的頻數(shù)；選取頻數(shù)最高的像元類別，標(biāo)記為lmax；

如果lmax的頻數(shù)為1，則不對當(dāng)前像元像元進行處理，否則，賦予當(dāng)前像元類別為lmax；得到積雪識別結(jié)果圖像rm。

發(fā)明還提供了一種同步衛(wèi)星遙感序列影像的積雪識別系統(tǒng)，包括樣本集構(gòu)建模塊，光譜角和亮度差計算模塊，多時相待識別影像掩膜模塊、影像疊加模塊，動態(tài)時間規(guī)整模塊，多時相高亮地物影像掩膜模塊，分類結(jié)果后處理模塊；

所述樣本集構(gòu)建模塊，用于根據(jù)同步衛(wèi)星遙感影像庫，選取無云信息影響的積雪影像，構(gòu)建單時相積雪樣本集和多時相積雪樣本集；

所述光譜角和亮度差計算模塊，用于計算多時相待識別影像與單時相積雪樣本之間的光譜角度和亮度差；

所述多時相待識別影像掩膜模塊，用于根據(jù)所述光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像；

所述影像疊加模塊，用于將多時相高亮地物影像，按照時間序列進行疊加，生成多時相疊加影像；

所述動態(tài)時間規(guī)整模塊，用于根據(jù)多時相積雪樣本集和多時相疊加影像，計算多時相疊加影像與多時相積雪樣本之間的相似度，得到動態(tài)時間規(guī)整值；

所述多時相高亮地物影像掩膜模塊根據(jù)所述動態(tài)時間規(guī)整值，對多時相高亮地物影像進行掩膜，生成積雪初步識別結(jié)果圖像；

所述分類結(jié)果后處理模塊，用于基于積雪初步識別結(jié)果圖像，采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像。

可選的，所述樣本集構(gòu)建模塊，包括單時相積雪樣本集構(gòu)建子模塊和多時相積雪樣本集構(gòu)建子模塊；

所述單時相積雪樣本集構(gòu)建子模塊，用于根據(jù)所述積雪樣本影像中實際的地物類型定義a個積雪類別，所述積雪類別的編號為1～a，a為正整數(shù)，對于第i個積雪類別分別選取ti個像元樣本作為訓(xùn)練樣本，構(gòu)成單時相積雪樣本，其中i＝1,2,…,a，ti為正整數(shù)，且不大于第i類樣本像元總數(shù)，由單時相積雪樣本組成單時相積雪樣本集；

所述多時相積雪樣本集構(gòu)建子模塊，用于基于同一地區(qū)，不同成像時間的m個單時相積雪樣本，對于第i個積雪類別中的第j個單時相積雪樣本，選取sij個像元，其中，j＝1,2，…，m，m為正整數(shù)，按成像時間將同一積雪類型，同一位置的像元的波段排列成向量，構(gòu)成多時相積雪樣本，其中sij為正整數(shù)，且不大于第i類樣本像元總數(shù)的m倍，由多時相積雪樣本組成多時相積雪樣本集。

可選的，所述光譜角和亮度差計算模塊，包括光譜角計算子模塊和亮度差計算子模塊；

所述光譜角計算子模塊，用于按光譜角公式分別計算所述多時相待識別影像中的第i個像元與w個單時相樣本中第i個單時相積雪樣本之間的光譜角αi,w，w＝1,2，…w，其中，x＝(ai)n為多時相待識別影像中的第i個像元光譜曲線矢量；y＝(bi,w)n為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜曲線矢量；ai為多時相待識別影像中第i個像元的光譜亮度，bi,w為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度；n為多時相待識別影像所包含的波段數(shù)目；并將計算的w個光譜角，按升序排列，取第一個光譜角作為第i個像元與單時相積雪樣本的光譜角度；

所述亮度差計算子模塊，用于按亮度差值公式分別計算所述多時相待識別影像中的像元與w個單時相樣本中第i個單時相積雪樣本之間亮度差tw，w＝1,2，…w，其中，ai為多時相待識別影像中第i個像元的光譜亮度，bi,w第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度，n為多時相待識別影像所包含的波段數(shù)目；并將計算的w個亮度差，按升序排列，取第一個亮度差作為第i個像元與單時相積雪樣本的亮度差。

可選的，所述多時相待識別影像掩膜模塊包括光譜角度和亮度差閾值計算子模塊和多時相待識別影像掩膜子模塊；

所述光譜角度和亮度差閾值計算子模塊，用于利用一次最大類間方差算法，對光譜角度、亮度差值分別尋找到對應(yīng)的初始閾值點和并分別構(gòu)建光譜角度、亮度差的直方圖，并得到直方圖的中值點lsam和llum，循環(huán)采用最大類間方差法得到光譜角度閾值isam和亮度差閾值ilum；

所述多時相待識別影像掩膜子模塊，用于根據(jù)閾值isam和ilum，對于多時相待識別影像中光譜角度小于isam并且亮度差小于ilum的像元，劃歸為疑似積雪類別，保留像元信息，否則劃歸為非積雪類別，將像元值置零，生成多時相高亮地物影像sm。

可選的，所述動態(tài)時間規(guī)整模塊包括相似度計算子模塊和動態(tài)規(guī)整值計算子模塊；

所述相似度計算子模塊，用于利用動態(tài)時間規(guī)整算法計算多時相疊加影像的像元與多時相積雪樣本之間的相似度；

所述動態(tài)規(guī)整值計算子模塊，用于對計算的相似度值進行升序排序，將第一個相似度值作為該像元與多時相積雪樣本間的動態(tài)時間規(guī)整值。

可選的，所述多時相高亮地物影像掩膜模塊，包括相似度閾值計算子模塊、云信息獲取子模塊和多時相高亮地物掩膜子模塊；

所述相似度閾值計算子模塊，用于根據(jù)動態(tài)時間規(guī)整值，多次使用最大類間方差算法，自動尋找相似度的閾值zdi；

所述云信息獲取子模塊，用于判斷多時相疊加影像的各像元的動態(tài)時間規(guī)整值是否大于相似度的閾值zdi，若大于，則該像元為云，賦值為1，否則該像元為非云，賦值為0，得到云信息圖像cm；

所述多時相高亮地物掩膜子模塊，用于根據(jù)云信息圖像cm，對多時相高亮地物圖像進行掩膜，多時相高亮地物圖像中對應(yīng)位置的云信息圖像cm的像元若為1，則將該位置的像元置零，否則，保留該位置的像元信息，生成積雪初步識別結(jié)果圖像rm。

可選的，所述分類結(jié)果后處理模塊，包括像元頻數(shù)計算子模塊和像元處理子模塊，

所述像元頻數(shù)計算子模塊，用于基于積雪初步識別結(jié)果圖像，計算其每個像元的鄰域范圍內(nèi)各像元類別出現(xiàn)的頻數(shù)；選取頻數(shù)最高的像元類別，標(biāo)記為lmax；

像元處理子模塊，用于根據(jù)lmax像元的頻數(shù)，對像元進行處理，如果lmax的頻數(shù)為1，則不對當(dāng)前像元進行處理，否則，賦予當(dāng)前像元類別為lmax；得到積雪識別結(jié)果圖像rm。

根據(jù)本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術(shù)效果：

發(fā)明公開了一種同步衛(wèi)星遙感序列影像的積雪識別方法及系統(tǒng)，采用光譜角匹配法計算光譜角度，采用亮度差值方法計算亮度差；并基于光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像；采用動態(tài)時間規(guī)整法得到動態(tài)時間規(guī)整值；并基于所述動態(tài)時間規(guī)整值，對多時相高亮地物圖像進行掩膜，生成積雪初步識別結(jié)果圖像；基于積雪初步識別結(jié)果圖像，采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像，充分利用了同步衛(wèi)星遙感序列影像的多時相特性，無需短波紅外波段，即可排除云的影響，實現(xiàn)同步衛(wèi)星遙感影像中積雪的快速準確的識別。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的一種同步衛(wèi)星遙感序列影像的積雪識別方法的一個實施例的流程圖。

圖2為本發(fā)明提供的一種同步衛(wèi)星遙感序列影像的積雪識別方法的另一個實施例的流程圖。

圖3為本發(fā)明提供的一種同步衛(wèi)星遙感序列影像的積雪識別系統(tǒng)的結(jié)構(gòu)框圖。

具體實施方式

本發(fā)明的目的是提供一種面向群智多模態(tài)數(shù)據(jù)的處理方法及系統(tǒng)。

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

如圖1所示，作為一種可實施方式，一種同步衛(wèi)星遙感序列影像的積雪識別方法，包括如下步驟：

s1、根據(jù)同步衛(wèi)星遙感影像庫，選取無云信息影響的積雪影像，構(gòu)建單時相積雪樣本集和多時相積雪樣本集；

s2、在單時相積雪樣本集中隨機選取w個單時相積雪樣本，計算多時相待識別影像與單時相積雪樣本之間的光譜角度和亮度差；

s3、根據(jù)所述光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像；

s4、將所述多時相高亮地物影像，按照時間序列進行疊加，生成多時相疊加影像；

s5、根據(jù)所述多時相積雪樣本集和所述多時相疊加影像，計算多時相疊加影像與多時相積雪樣本之間的相似度，得到動態(tài)時間規(guī)整值；

s6、根據(jù)所述動態(tài)時間規(guī)整值，對多時相高亮地物影像進行掩膜，生成積雪初步識別結(jié)果圖像；

s7、根據(jù)積雪初步識別結(jié)果圖像，采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像。

如圖2所示，可選的，作為一種可實施方式，步驟s2所述的計算多時相待識別影像與單時相積雪樣本之間的光譜角度和亮度差的方法為：根據(jù)單時相積雪樣本集，基于時間和區(qū)域調(diào)用，采用光譜角匹配方法sam和亮度差值方法計算多時相待識別圖像中像元與單時相積雪樣本之間的光譜角和亮度差，具體步驟包括：

按光譜角公式分別計算所述多時相待識別影像中的第i個像元與w個單時相樣本中第i個單時相積雪樣本之間的光譜角αi,w，w＝1,2，…w，其中，x＝(ai)n為多時相待識別影像中的第i個像元光譜曲線矢量；y＝(bi,w)n為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜曲線矢量；ai為多時相待識別影像中第i個像元的光譜亮度，bi,w為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度；n為多時相待識別影像所包含的波段數(shù)目；

將計算的w個光譜角，按升序排列，取第一個光譜角作為第i個像元與單時相積雪樣本的光譜角度。

按亮度差值公式分別計算所述多時相待識別影像中的像元與w個單時相樣本中第i個單時相積雪樣本之間亮度差tw，w＝1,2，…w，其中，ai為多時相待識別影像中第i個像元的光譜亮度，bi,w第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度，n為多時相待識別影像所包含的波段數(shù)目；

將計算的w個亮度差，按升序排列，取第一個亮度差作為第i個像元與單時相積雪樣本的亮度差。

步驟s3所述根據(jù)光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像的方法為多次利用改進的最大類間方差算法(otsu算法)，自動尋找光譜閾值和亮度差閾值，并根據(jù)閾值掩膜多時相待識別圖像得到多時相高亮地物圖像，其中最大類間方差算法循環(huán)的停止條件為，尋找到閾值小于對應(yīng)波段直方圖統(tǒng)計的中值點，具體步驟包括：

利用一次最大類間方差算法，對光譜角度、亮度差值分別尋找到對應(yīng)的初始閾值點和

分別構(gòu)建光譜角度、亮度差的直方圖，并得到直方圖的中值點lsam和llum，循環(huán)采用最大類間方差法得到光譜角度閾值isam和亮度差閾值ilum；

根據(jù)閾值isam和ilum，對于光譜角度小于isam并且亮度差小于ilum的像元，劃歸為疑似積雪類別，保留像元信息，否則劃歸為非積雪類別，將像元值置零，生成多時相高亮地物影像sm。

所述最大類間方差算法為：設(shè)一副圖像的灰度值為1～m級，在k處將其分成兩組c0＝{1～k}和c1＝{k+1～m}，分別計算各組產(chǎn)生的概率w0與w1，各組的組內(nèi)平均值μ0與μ1及整體圖像的灰度平均值μ，兩組間的方差用如下公式計算：

σ²(k)＝w0(μ0-μ)²+w1(μ1-μ)²＝w0w1(μ1-μ0)²＝[μ·w(k)-μ(k)]²/w(k)[1-w(k)]

從1～m之間改變k，求上式為最大值時的k，即求maxσ²(k)時的k*值便是所求的閾值；

所述得到光譜角度閾值和亮度差閾值的具體算法為：

若大于等于中值點lsam(llum)，則轉(zhuǎn)到步驟②計算若小于中值點lsam(llum)，則轉(zhuǎn)到步驟③；

②令圖像的灰度值范圍為根據(jù)最大類間方差算法尋找新的閾值并轉(zhuǎn)到步驟①；

③isam(ilum)等于

步驟s5所述計算多時相疊加影像與多時相積雪樣本之間的相似度，得到動態(tài)時間規(guī)整值的方法為利用動態(tài)規(guī)整方法(dtw)計算多時相疊加影像與多時相積雪樣本之間的相似度，具體步驟包括：

利用動態(tài)時間規(guī)整算法計算多時相疊加影像的像元與多時相積雪樣本之間的相似度；

對計算的相似度值進行升序排序，將第一個相似度值作為該像元與多時相積雪樣本間的動態(tài)時間規(guī)整值。

所述動態(tài)時間規(guī)整算法為：假設(shè)有兩個時間序列描述的特征a和b，a的長度為m，b的長度為n，其中：a＝{a1，a2，…，am}，b＝{b1，b2，…，bn}，于是dtw距離度量公式為：

dtw(a，b)＝min{cp(a，b)}

其中為了使用dtw讓這兩個時間序列非線性對齊，需要構(gòu)造一個m×n的代價矩陣c＝[c(i，j)]，其中矩陣的第(i，j)元素為ai和aj的歐式距離c(i，j)。a與b之間規(guī)整路徑p的累計代價函數(shù)可表示為

a與b之間的最優(yōu)規(guī)整路徑就是累計代價函數(shù)取得最小值時候的路徑。

步驟s6所述對多時相高亮地物圖像進行掩膜，生成積雪初步識別結(jié)果圖像的方法為，根據(jù)多時相積雪樣本集，基于時間和區(qū)域調(diào)用，采用最大類間方差法，對多時相高亮地物圖像進行掩膜，得到積雪初步識別結(jié)果圖像，具體步驟包括：

根據(jù)動態(tài)時間規(guī)整值，多次使用最大類間方差算法，自動尋找相似度的閾值zdi；

判斷多時相疊加影像的各像元的動態(tài)時間規(guī)整值是否大于相似度的閾值zdi，若大于，則該像元為云，賦值為1，否則該像元為非云，賦值為0，得到云信息圖像cm；

根據(jù)云信息圖像cm，對多時相高亮地物圖像進行掩膜，多時相高亮地物圖像中對應(yīng)位置的云信息圖像cm的像元若為1，則將該位置的像元置零，否則，保留該位置的像元信息，生成積雪初步識別結(jié)果圖像rm。

所述相似度閾值尋找的具體步驟為：分別統(tǒng)計多時相動態(tài)時間規(guī)整值的直方圖(直方圖取值范圍為：1～d)，并得到直方圖的中值點zdl；令i＝0,1,2….，于是尋找動態(tài)時間規(guī)整的閾值zdi⁽ⁱ⁾：

①若zdi⁽ⁱ⁾小于等于中值點zdl，則轉(zhuǎn)到步驟②計算zdi⁽ⁱ⁺¹⁾；若zdi⁽ⁱ⁾大于中值點zdl，則轉(zhuǎn)到步驟③；

②令圖像的灰度值范圍為zd(i)～d，根據(jù)最大類間方差算法尋找新的閾值zdi⁽ⁱ⁺¹⁾，并轉(zhuǎn)到步驟①；

③zdi等于zdi⁽ⁱ⁾。

步驟s7所述采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像的步驟具體包括：

基于積雪初步識別結(jié)果圖像，計算其每個像元的鄰域范圍內(nèi)各像元類別出現(xiàn)的頻數(shù)；選取頻數(shù)最高的像元類別，標(biāo)記為lmax；

如果lmax的頻數(shù)為1，則不對當(dāng)前像元像元進行處理，否則，賦予當(dāng)前像元類別為lmax；得到積雪識別結(jié)果圖像rm。

如圖3所示，一種同步衛(wèi)星遙感序列影像的積雪識別系統(tǒng)，包括樣本集構(gòu)建模塊1，光譜角和亮度差計算模塊2，多時相待識別影像掩膜模塊3、影像疊加模塊4，動態(tài)時間規(guī)整模塊5，多時相高亮地物影像掩膜模塊6，分類結(jié)果后處理模塊7；

所述樣本集構(gòu)建模塊1，用于根據(jù)同步衛(wèi)星遙感影像庫，選取無云信息影響的積雪影像，構(gòu)建單時相積雪樣本集和多時相積雪樣本集；

所述光譜角和亮度差計算模塊2，用于計算多時相待識別影像與單時相積雪樣本之間的光譜角度和亮度差；

所述多時相待識別影像掩膜模塊3，用于根據(jù)所述光譜角度和亮度差，對多時相待識別影像進行掩膜，生成多時相高亮地物影像；

所述影像疊加模塊4，用于將多時相高亮地物影像，按照時間序列進行疊加，生成多時相疊加影像；

所述動態(tài)時間規(guī)整模塊5，用于根據(jù)多時相積雪樣本集和多時相疊加影像，計算多時相疊加影像與多時相積雪樣本之間的相似度，得到動態(tài)時間規(guī)整值；

所述多時相高亮地物影像掩膜模塊6，用于根據(jù)所述動態(tài)時間規(guī)整值，對多時相高亮地物影像進行掩膜，生成積雪初步識別結(jié)果圖像；

所述分類結(jié)果后處理模塊7，用于基于積雪初步識別結(jié)果圖像，采用分類結(jié)果后處理的方法，得到積雪識別結(jié)果圖像。

可選的，所述樣本集構(gòu)建模塊1，包括單時相積雪樣本集構(gòu)建子模塊和多時相積雪樣本集構(gòu)建子模塊；

所述單時相積雪樣本集構(gòu)建模塊，用于根據(jù)所述積雪樣本影像中實際的地物類型定義a個積雪類別，所述積雪類別的編號為1～a，a為正整數(shù)，對于第i個積雪類別分別選取ti個像元樣本作為訓(xùn)練樣本，構(gòu)成單時相積雪樣本，其中i＝1,2,…,a，ti為正整數(shù)，且不大于第i類樣本像元總數(shù)，由單時相積雪樣本組成單時相積雪樣本集；

所述多時相積雪樣本集構(gòu)建模塊，用于基于同一地區(qū)，不同成像時間的m個單時相積雪樣本，對于第i個積雪類別中的第j個單時相積雪樣本，選取sij個像元，其中，j＝1,2，…，m，m為正整數(shù)，按成像時間將同一積雪類型，同一位置的像元的波段排列成向量，構(gòu)成多時相積雪樣本，其中sij為正整數(shù)，且不大于第i類樣本像元總數(shù)的m倍，由多時相積雪樣本組成多時相積雪樣本集。

可選的，所述光譜角和亮度差計算模塊2，包括光譜角計算子模塊和亮度差計算子模塊；

所述光譜角計算子模塊，用于按光譜角公式分別計算所述多時相待識別影像中的第i個像元與w個單時相樣本中第i個單時相積雪樣本之間的光譜角αi,w，w＝1,2，…w，其中，x＝(ai)n為多時相待識別影像中的第i個像元光譜曲線矢量；y＝(bi,w)n為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜曲線矢量；ai為多時相待識別影像中第i個像元的光譜亮度，bi,w為第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度；n為多時相待識別影像所包含的波段數(shù)目；并將計算的w個光譜角，按升序排列，取第一個光譜角作為第i個像元與單時相積雪樣本的光譜角度；

所述亮度差計算子模塊，用于按亮度差值公式分別計算所述多時相待識別影像中的像元與w個單時相樣本中第i個單時相積雪樣本之間亮度差tw，w＝1,2，…w，其中，ai為多時相待識別影像中第i個像元的光譜亮度，bi,w第w個單時相積雪樣本中與多時相待識別影像中的第i個像元對應(yīng)的像元的光譜亮度，n為多時相待識別影像所包含的波段數(shù)目；并將計算的w個亮度差，按升序排列，取第一個亮度差作為第i個像元與單時相積雪樣本的亮度差。

可選的，所述多時相待識別影像掩膜模塊3包括光譜角度和亮度差閾值計算子模塊和多時相待識別影像掩膜子模塊；

所述光譜角度和亮度差閾值計算子模塊，用于利用一次最大類間方差算法，對光譜角度、亮度差值分別尋找到對應(yīng)的初始閾值點和并分別構(gòu)建光譜角度、亮度差的直方圖，并得到直方圖的中值點lsam和llum，循環(huán)采用最大類間方差法得到光譜角度閾值isam和亮度差閾值ilum；

所述多時相待識別影像掩膜子模塊，用于根據(jù)閾值isam和ilum，對于多時相待識別影像中光譜角度小于isam并且亮度差小于ilum的像元，劃歸為疑似積雪類別，保留像元信息，否則劃歸為非積雪類別，將像元值置零，生成多時相高亮地物影像sm。

可選的，所述動態(tài)時間規(guī)整模塊5包括相似度計算子模塊和動態(tài)規(guī)整值計算子模塊；

所述相似度計算子模塊，用于利用動態(tài)時間規(guī)整算法計算多時相疊加影像的像元與多時相積雪樣本之間的相似度；

所述動態(tài)規(guī)整值計算子模塊，用于對計算的相似度值進行升序排序，將第一個相似度值作為該像元與多時相積雪樣本間的動態(tài)時間規(guī)整值。

可選的，所述多時相高亮地物影像掩膜模塊6，包括相似度閾值計算子模塊、云信息獲取子模塊和多時相高亮地物掩膜子模塊；

所述相似度閾值計算子模塊，用于根據(jù)動態(tài)時間規(guī)整值，多次使用最大類間方差算法，自動尋找相似度的閾值zdi；

所述云信息獲取子模塊，用于判斷多時相疊加影像的各像元的動態(tài)時間規(guī)整值是否大于相似度的閾值zdi，若大于，則該像元為云，賦值為1，否則該像元為非云，賦值為0，得到云信息圖像cm；

所述多時相高亮地物掩膜子模塊，用于根據(jù)云信息圖像cm，對多時相高亮地物圖像進行掩膜，多時相高亮地物圖像中對應(yīng)位置的云信息圖像cm的像元若為1，則將該位置的像元置零，否則，保留該位置的像元信息，生成積雪初步識別結(jié)果圖像rm。

可選的，所述分類結(jié)果后處理模塊7，包括像元頻數(shù)計算子模塊和像元處理子模塊，

所述像元頻數(shù)計算子模塊，用于基于積雪初步識別結(jié)果圖像，計算其每個像元的鄰域范圍內(nèi)各像元類別出現(xiàn)的頻數(shù)；選取頻數(shù)最高的像元類別，標(biāo)記為lmax；

像元處理子模塊，用于根據(jù)lmax像元的頻數(shù)，對像元進行處理，如果lmax的頻數(shù)為1，則不對當(dāng)前像元進行處理，否則，賦予當(dāng)前像元類別為lmax；得到積雪識別結(jié)果圖像rm。

本文中應(yīng)用的實施例可以應(yīng)用于gf-4衛(wèi)星，排除云信息的影響，實現(xiàn)積雪的快速識別，但不限于gf-4衛(wèi)星，也可以應(yīng)用于其他的同步衛(wèi)星，實現(xiàn)積雪的快速識別，本文中應(yīng)用了具體個例對發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想，所描述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例，基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。