内容概要：本文档详细介绍了如何使用Google Earth Engine (GEE) 对Sentinel-2卫星图像进行云层遮罩处理的方法。首先定义了一个函数`funcao`用于提取QA60波段并设置云和卷云的位掩码，确保这两个条件都为0时才保留图像数据。然后通过`ImageCollection`方法获取指定时间范围内的COPERNICUS/S2影像集，并使用过滤器排除云量超过20%的影像。最后利用`.map(funcao)`将云层遮罩应用到整个影像集合，并通过中值合成创建马赛克图像，最终展示RGB波段的处理结果。; 适合人群：对遥感数据分析、地理信息系统(GIS)以及Google Earth Engine平台有一定了解的研究人员和技术人员。; 使用场景及目标：①学习如何在GEE平台上处理Sentinel-2卫星数据；②掌握云层遮罩技术，提高影像质量，为后续分析提供更清晰的数据源；③理解位运算在遥感影像处理中的应用。; 阅读建议：读者应具备基本的JavaScript编程技能和对遥感概念的理解，在实践中逐步探索代码细节，尝试调整参数以适应不同研究区域的需求。

为了实现定量化应用目标,高精度的云层检测已成为遥感数据预处理的关键步骤之一。然而,传统的云检测方法存在特征复杂、算法步骤多、鲁棒性差,且无法将高级特征和低级特征相结合的缺陷,检测效果一般。针对以上问题,提出了一种基于深度残差全卷积网络的高精度云检测方法,能够实现对遥感影像云层目标像素级别的分割。首先,编码器通过残差模块的不断降采样提取图像深层特征;然后,应用双线性插值进行上采样,结合多层次编码后的图像特征完成解码;最后,将解码后的特征图与输入图像融合后再次进行卷积,实现端到端的云检测。实验结果表明,对于Landsat 8云检测数据集,所提方法的像素精度达到93.33%,比原版U-Net提高了2.29%,比传统Otsu方法提高了7.78%。该方法可以为云层目标智能化检测研究提供有益参考。 【基于深度残差全卷积网络的Landsat 8遥感影像云检测方法】是一种利用深度学习技术改进遥感影像云层检测的创新方法。传统的云检测手段往往因为特征提取复杂、步骤繁多以及鲁棒性不足而限制了其在高精度应用中的表现。而该方法则旨在克服这些缺点，通过深度残差全卷积网络（Deep Residual Fully Convolutional Network，DRFCN）实现对遥感影像云层目标的像素级精确分割。 深度残差网络（Residual Network）是深度学习领域的一个重要突破，它通过引入残差块来解决深度神经网络中的梯度消失和爆炸问题，使得网络能更有效地学习到高层特征。在云检测中，DRFCN的编码器部分利用残差模块进行连续的下采样，这有助于提取图像的深层语义特征，如纹理、形状和颜色等与云层相关的重要信息。 全卷积网络（Fully Convolutional Network, FCN）在此过程中起到了关键作用，它允许网络直接进行像素级别的预测。在DRFCN中，经过编码器提取特征后，采用双线性插值进行上采样，目的是恢复图像的空间分辨率，同时结合不同层次编码后的图像特征进行解码。这种解码过程有助于保持从低层到高层的细节信息，确保了云检测的准确性。 解码后的特征图与原始输入图像融合，再次进行卷积操作，实现了端到端的云检测。这种方法的优势在于可以综合高级特征和低级特征，提高检测的鲁棒性和精度。实验结果显示，对于Landsat 8云检测数据集，该方法的像素精度达到了93.33%，相比原版的U-Net（Unet）提高了2.29%，相对于传统的Otsu方法提高了7.78%。 此方法不仅提升了云检测的精度，也为遥感影像分析的智能化和自动化提供了有效工具，特别是在气候监测、环境变化研究、灾害预警等领域具有广泛的应用潜力。未来的研究可以进一步优化网络结构，探索更高效的方法来融合特征，以及针对不同类型的遥感影像进行适应性调整，以提升在更大范围和更复杂条件下的云检测性能。

提出了一种适用于我国东南沿海的、简单有效的云检测算法，该算法能够实现对MODIS白天图像的自动云检测。对检测结果进行准确性估计表明，总体的云像元检测精度和无云像元检测精度均达到95％以上。

本研究专注于分析和总结不同自然表面及云层的光谱特性，并提出了一种基于光谱分析的MODIS云检测算法。MODIS是中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer）的缩写，由美国宇航局（NASA）发射的地球观测卫星搭载，用以监测地球环境和变化。MODIS具有36个波段，覆盖可见光、近红外和热红外等区域，广泛应用于气候研究、资源探测、环境监测等多个领域。 文章首先概述了遥感影像中云对信息获取的影响，指出云是遥感信号传播的障碍物，会造成遥感数据利用率和精度的下降，因此云检测对于提高遥感数据的应用价值具有重要意义。目前，MODIS数据的云检测算法主要分为基于可见光反射率、基于近红外反射率和基于热红外通道亮温及亮温差的算法。尽管已有的算法取得了一定成果，但还没有一种算法能够适用于所有类型云的检测。 在本研究中，作者基于对不同地物及云层光谱特性的分析，提出了一个通用的多光谱云检测算法。该算法结合了MODIS影像的不同波段，特别是中红外6通道（1.64μm）和中红外26通道（1.38μm），利用云层在这些波段的特定光谱特性来识别云。 1. 反射光谱特性分析 1.1 云的反射光谱特性 云层在太阳光照射下，其反射率在可见光和近红外波段较高。由于云对太阳光的散射作用，反射率随波长增加而逐渐减小。特别是在中红外波段，由于大气水汽的影响，低层云的辐射难以到达传感器，而高层冰云（如卷云）由于其湿度低，具有较高的反射率。 1.2 植物的反射光谱特性 植物的反射光谱特性在可见光和近红外波段表现得较为明显。由于叶绿素的吸收作用，在蓝波段和红波段，叶绿素强烈吸收辐射能，形成吸收谷；而在这两个波段之间，由于吸收较少，形成绿色反射峰。在近红外波段，叶的反射及透射率较高，吸收较少。 1.3 土壤的反射光谱特性 土壤对太阳光的反射和吸收特性不同，不存在透射现象。土壤的反射率在不同波段存在波动，自然状态下的土地表面反射曲线呈现特定的“峰-谷”形态。 2. 多光谱云检测算法研究 本研究提出的多光谱云检测算法主要基于可见光通道（0.67μm）、中红外6通道（1.64μm）和中红外26通道（1.38μm）的组合。该算法能够有效地在不同地表覆盖条件下识别云层。例如，利用中红外通道内由于水汽吸收导致的地面辐射衰减现象，可以区分地表和高云系的卷云，因为卷云在这一通道的反射率较高。 3. 结论与应用 通过研究，证明了所提出的多光谱云检测算法在不同地表上具有良好的通用性和有效性。该算法能够为遥感影像处理提供准确的云覆盖信息，有助于提升遥感数据的利用率和质量。此外，该算法的研究成果不仅为云检测领域提供了新的方法，也为其他遥感应用中的目标识别、数据分类提供了理论和实践指导。 文章还提到，目前多数基于MODIS数据的多光谱云检测算法已经比较成熟并开始实际应用。然而，本研究提出的算法依然有其独特之处，特别是在不同下垫面上的通用性，有望在遥感数据处理的实践中得到更广泛的应用。随着技术的进步和算法的不断改进，相信未来能够开发出更加高效准确的云检测算法，为地球空间信息的获取提供有力支持。

压缩包包括遥感图像云检测全面的论文学习资料，物理阈值法、纹理分析方法、模式识别等方法全面覆盖，对云检测学习很有针对性

pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2：refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来使得模型能够区分哪些是前景点，哪些是背景点，并对背景点赋予较小的权重。以gird point为球心，以某一设定值为半径画球，对包括在其中的关键点再次进行set abstraction操作，得到更高级的特征。这样做有一个好处就是，在画球的过程中，有可能将RoI之外的点包括进来，从而提供更丰富的语义信息，帮助模型更好的回归。这样重复6 * 6 * 6次，就能得到6 * 6 * 6个特征向量。

复杂及高亮地表的云检测算法研究.pdf

基于光谱分析的MODIS 云检测算法研究

针对Fmask云检测算法难以区分陆地卫星遥远的影像上云和冰这一技术难题，该文提出一种基于主成分分析的改进Fmask云检测算法。首先对Fmask中归一化量化指数和归一化雪指数固定阈值进行自适应阈值改进，转换成影像进行主变换，然后对主成分分析变换后的组合结合进行改进的Fmask云检测，最后进行算法对比分析。以北极地区的TM影像进行实验，结果表明，对同时覆盖冰层和云层的Landsat重新影像，该文提出的算法能够提高云检测精度。

matlab两时相的云检测代码，用到了双时相信息，多波段信息