型无云影像（a)和有云影像（b)中种子点区域集合的 灰度直方图示例。
[0033] 图8 :是本发明实施例的少量云分布的自动提取效果图，其中（a)为原始影像，（b) 为自动匹配的M-DSM影像，（c)为提取的云区域，（d)为使用SRTM填补后的DSM影像。
[0034] 图9 :是本发明大面积云分布的自动提取效果图，其中（a)为原始影像，（b)为自动 匹配的M-DSM影像，（c)为提取的云区域，（d)为使用SRTM填补后的DSM影像。
[0035] 图10 :是本发明有雪分布时云区域的自动提取效果图，其中（a)为原始影像，（b) 为自动匹配的M-DSM影像，（c)为提取的云区域，（d)为使用SRTM填补后的DSM影像。
[0036] 图11 :是本发明云和雪混叠时云区域的在自动提取效果图，其中（a)为原始影像， (b)为自动匹配的M-DSM影像，（c)为提取的云区域，⑷为使用SRTM填补后的DSM影像。
【具体实施方式】
[0037] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发 明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不 用于限定本发明。
[0038] 实施例用天绘卫星三线阵全色影像进行试验。天绘卫星是立体测绘卫星，具有前 视、下视、后视的全色相机，地面分辨率为5m，同时具有2. Om的全色高分相机，IOm分辨率的 多光谱相机，包括红、绿、蓝、红外四个波段。
[0039] 请见图1，本发明提供的一种结合全球DEM与立体视觉的卫星影像云检测方法，包 括以下步骤：
[0040] 步骤1 :将遥感卫星获得的卫星影像（如天绘立体测绘卫星影像）密集匹配获得 的 M_DSM(Matching Digital Surface Model);
[0041] 请见图2,是本发明实施例的多影像多基元法流程图，本实施例的密集匹配方法采 用的是多影像多匹配基元法（MPM)，采用由粗到细（coarse to fine)的多级影像匹配策略， 基于多影像的匹配算法，并结合多种匹配基元的匹配结果，所述的多种匹配基元包括特征 点、格网点和特征线。请见图3,是本发明实施例获得的M-DSM。
[0042] 步骤 2 :将获得的 M-DSM 与现有的全球 DEM 数据 SRTM (Shuttle Radar Topography Mission)通过地形配准后进行高程比较得到DEM的差值图；
[0043] 请见图4,其具体实现包括以下子步骤：
[0044] 步骤2. 1 :分别在全球DEM数据SRTM与M-DSM上提取地形特征线；
[0045] 步骤2. 2 :通过投票算法实现两者的地形特征线的整体套合；
[0046] 步骤2. 3 :进行特征点局部的最小二乘相关匹配提高匹配的精度；
[0047] 步骤2. 4 :使用地形匹配获得的同名点解算M-DSM与全球DEM数据SRTM之间的空 间相似变换关系式，将全球DEM数据SRTM相对于M-DSM进行校准；
[0048] 步骤2. 5 :校准后进行高程比较得到DEM的差值图。
[0049] 请见图5,本实施例采用基于地形表面流水物理模拟分析的方法提取山脊线和山 谷线作为地形特征线，本发明采用一种投票算法实现地形特征线的整体套合，实现粗匹配。 这种投票算法是霍夫变换的一种改进，投票是根据地理特征线上每个点（地形特征线末梢 点除外），计算与其在同一地形特征线上的下一个相邻点之间的连线与水平方向的夹角，设 定一个数值较小的角度阈值（如5° )，以M-DSM的地形特征线中的点为依据，在全球DEM 数据SRTM的地形特征线中搜索与其角度差小于阈值的匹配点。例如，对于M-DSM的地形特 征线上的点M，其对应了一个角度值α Μ，计算其与参考DEM的地形特征线中的点（如点N) 所对应的角度值αΝ的差的绝对值，若I α Μ-αΝ|小于阈值，则将点N选为点M的匹配备选 点。根据M与N点的坐标差值来投票，对于所有与点M相匹配的点，都按上述方法在其对应 的投票区投上一票，即完成点M的投票。对于单个点来说，正确的投票只有一票，而错误的 投票可能有多票，正确的投票信息会被错误的投票信息淹没。然而将所有点的投票信息汇 总之后，正确的投票会积累起来，而错误的投票往往是随机的，总体上呈现出均匀分散的状 态，正确的投票会凸显出来，从而得到正确的结果。最后得到M-DSM与参考DEM的整体坐标 偏移。最后再使用最小二乘方法得到高精度的匹配结果。本发明将全球DEM数据SRTM相 对于M-DSM进行校准的方法是首先使用地形匹配获得的同名点解算M-DSM与全球DEM数据 SRTM之间的空间相似变换关系式。空间相似变换关系为：
[0050]
[0051] 其中假设M-DSM上某点的坐标为（X，Υ，Ζ)，该点在参考DEM上对应的同名点的坐 标为（X tp，Ytp，Ztp)，λ是缩放系数，R是由角元素Φ，Ω，K的函数组成的方向余弦， ai、a2、 a3、V b2、b3、Cl、c2、化为R的9个元素，（Δ X，Δ Υ，Δ Z)是坐标平移量；空间相似变换的求 解采用间接平差法，求解参数的同时还可以探测并剔除匹配结果中的粗差，最后平差解算 得到的中误差可以用来代表地形匹配的精度。
[0052] 步骤3 :在DEM差值图中去除误差大于200米的点，然后剩下的空间点统计出单位 权中误差（RMSE)，将大于三倍单位权中误差的点通过卫星影像三线阵正视影像的RPC参数 投影到卫星影像上，得到疑似云区域种子点的像片坐标；
[0053] 配准M-DSM与全球DEM数据SRTM之后，通过比较M-DSM与校准后的全球DEM数据 SRTM之间的差值得到疑似云区域种子点。因为不同地形的高程范围变化很大，所以用统一 的阈值会出现误判断的问题。一种可取的自适应算法是把M-DSM与校准后的全球DEM数据 SRTM进行比较，首先根据输入的一个初始高程阈值剔除误差较大的点，根据剩下的空间点 统计出单位权中误差（RMSE):
[0054]
[0055] 其中，N为总点数，Z1为第i个点的高程，Z 为第i个点在校准后的参考DEM上 对应的高程，Zthrashcild输入的初始高程阈值。新的自适应阈值则按照下式确定：
[0056] Z' threshold= 3 · δ z
[0057] 疑似云区域种子点是比较M-DSM产品和校准后的全球DEM数据SRTM，提取其中高 程差大于自适应阈值的格网点，通过三线阵正视影像的RPC参数将这些点投影到影像上， 得到种子点的像片坐标。
[0058] 步骤4 :去除增长区域中种子点灰度值小于100的低亮度区域、纹理缺乏区域的种 子点，根据影像灰度信息对剩余疑似云区域的种子点进行区域增长和分类；请见图6,是本 实施例的云区域自动识别流程图；包括以下步骤：
[0059] 步骤4. 1 :在将候选云区域种子点投影到三线阵正射影像后，进行影像分析，去除 去除增长区域中种子点灰度值小于100的低亮度区域、纹理缺乏区域的种子点。低亮度纹 理缺乏区域中的种子点可以通过统计种子点集合的灰度直方图予以清除，如图7所示，是 本发明实施例的典型无云影像（a)和有云影像（b)中种子点区域集合的灰度直方图示例， 主要过程为判断影像是否含有云，如果存在云，再除去低亮度缺乏纹理区域的种子点。
[0060] 步骤4. 2 :进