《表3 云和云阴影检测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《无人工标注数据的Landsat影像云检测深度学习方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从实验结果中选取了5个典型场景进行视觉评价，如表3所示，影像1—5所示场景分别位于不同的生物群落区中，其下垫面分别为荒地、冰雪、植被（灌木）、水域和湿地；从左至右依次是输入图像、地面真值、本文方法检测结果以及CFMask检测结果。输入图像以B4（R），B3（G），B2（B）合成显示，真值为Landsat8 CCA验证数据中经人工方式标注的云和云阴影掩模，检测结果及真值中的云阴影、云和无云像元分别用红色、绿色和蓝色标示。由于Landsat8 CCA验证数据提供的云和云阴影掩模在标注时区分了云类别与薄云类别，而本文方法和CFMask算法在进行云和云阴影检测时均不区分云的厚薄，因此合并Landsat8 CCA验证数据中的云和薄云2个类别，统一作为云类别来进行标示，在后续对实验结果进行定量分析时，也作相同合并处理以验证计算结果的精度。对于Landsat数据的实际应用而言，通常认为云像元和薄云像元都是无效的，因此将云与薄云类别合并并不会影响对本方法有效性的判断。由表3可知，总体而言，本文方法在不同生态环境、云属种类或云层分布条件下均能较好地判定出云和云阴影位置，识别出云和云阴影的大致边界。相比CFMask结果，本文方法检测出的云和云阴影更准确，与真值的匹配度明显更优，如本文方法识别出了CFMask没有识别出的表3中1号影像右侧较薄的云层，对3号影像的卷云也有更好的识别效果，4号影像中CFMask方法结果过多估计了影像上的云层和云阴影，而本文方法改善了这一问题。