第31卷，第4期 2011年4月
与
光谱分析
光
谱学
Spectroscopy and Spectral Analysis
VoL. 31, No. 4.pp1061-1064
April,2011
Kmeans聚类与多光谱阐值相结合的MODIS云检测算法
王伟'，宋卫国1·，刘士兴"，张永明"，郑红阳"，田
伟！
1.中国科学技术大学火灾科学国家重点实验室，安徽微合肥230027 2，合肥工业大学电子科学马应用物理学院，安徽合肥230009
摘要采用Kmeans聚类与多光谱图值相结合的方法进行云检测。在地物光谱分析的基础上，应用 Kmeans聚类算法对案类特征数据初始分为两类，第一类为云、烟雾和雪，而植被、水体和陆地等其他下带面为第二类；然后应用光诺阀值判断排除烟雾和需等的干扰，对MODIS数据中的云体实现检测。还研究了我国典型区域在不间季节、不同时相的数据。在不同下整面的情况下，通过日视方法对该算法的性能进行检验，发现该算法能有效地检测出一些小面积云点像元，并且排除其他因素的干扰，为下一步火灾识别工作奠定良好的基础。
关键调MODIS；云检测；Kmeans；亮温
中图分类号：X87
引言
文献标识码：A
DOI: 10.3964/j. issn. 1000-0593(2011)04-1061-04
1
Kmeans聚类算法介绍
在卫虽逐感森林草原火灾检测中，云是一个较为重要的干扰闪系。为有效地对火火进行预测，首先要消除云的干扰，因此要进行云检测。云检测一直是遥感图象处理分析的一大难点，国内外学者在这方面作了不少研究，但多是从光谱特性人手研究(S)，根据光谱辐射特性可知，云相对于下垫面（包括陆地、水体等)，在可见光与红外光区具有较高的反射率和较低的亮温值，因此通过可见光与红外光区阔值法将云和下垫面分开。可见光与红外光谱阀值法虽简单易行，但在薄卷云以及下垫面为烟雾等情况下，云和下垫面的光谱特征相似，用此方法则难以区分云和下势面；而且成值的确定具有一定的主观性，对先验知识要求很高，在时间和区域上有一定的局限性。目前研究者对云检测提出了一些新的方法，如人工神经网络、决策树等基于特征学习的方法以及基于聚类分割的图像分析方法等，正在进行探索研究(12)
本文使用MODIS数据，尝试采用Kmcans聚类与多光谱阔值相结合进行云检测。先以Kmeans聚类算法检测出云区，再利用多光谱國值法去除于扰。针对我国典型区域的 MODIS数据进行检验，对比APOLLO方法[4的检测结果，研究了本算法在区分云和水体、烟雾、植被等下垫面方面的特点，分析了算法的适应性。
收日期：2010-04-28，修订日期：2010-07-19
MacQueen在1967年提出了Kmeans算法，是广泛应用于科学和I业诸多聚类算法中有效的算法之一[13]。Kmeans 算法的工作机理是把个样本点分为个簇，各族内的样本点具有较高的相似性，而各族间的样本点相似程度较低，相似度的计算是依据一个筷中样本点的平均值来进行。算法具体流释如下：
(1)在样本数据集D中选择个样本点，将个样本点值分别赋给初始案类中心"，"，，")；
(2)第j次送代时，对样本点D中的所有点p,(t=1， n)，依次计算到各簇中心函"的欧式距离d(t,i)
d(ti)= Vpr
(1)
(3)找出关于的最小距离，将归入到关于距离最小的簇中；
（4)更新各获的案类中心
p
1
i=1,2,,k
(2)
(5)计算数据集D中的所有点的平方误差E;，并与前一次误差E-1比较。
E, =
基金项目：科技部林业公益性行业科研专项（200704027)和中国科学技术大学青年创新基金项目资助
作者简介：王伟，1986年生，中国科学技术大学火灾科学国家重点实验室硕1研究生
·通讯联系人
万方数据
e-mail; wgsong@ustc, edu, cn
e-mail;usteww@mailustc.edu.cn
(3)