遙感圖像的云分類和云檢測(cè)技術(shù)研究

周雪珺， 楊曉非， 姚行中

(1. 華中科技大學(xué)光學(xué)與電子信息學(xué)院，湖北 武漢 430074；2. 第二炮兵指揮學(xué)院精確制導(dǎo)技術(shù)實(shí)驗(yàn)室，湖北 武漢 430012)

遙感圖像的云分類和云檢測(cè)技術(shù)研究

周雪珺1， 楊曉非1， 姚行中2

(1. 華中科技大學(xué)光學(xué)與電子信息學(xué)院，湖北 武漢 430074；2. 第二炮兵指揮學(xué)院精確制導(dǎo)技術(shù)實(shí)驗(yàn)室，湖北 武漢 430012)

為了有效減小云層遮蓋對(duì)遙感圖像數(shù)據(jù)利用率的影響，提出了一種基于灰度特性的算法，實(shí)現(xiàn)了遙感圖像高效自動(dòng)的云分類及云檢測(cè)。該方法首先將大幅遙感圖像切分成小塊子圖，然后統(tǒng)計(jì)子圖灰度值的均值和方差，在此基礎(chǔ)上將云分成無(wú)云、薄云和厚云三類，最后通過(guò)邊緣檢測(cè)算法，實(shí)現(xiàn)了對(duì)厚云影響范圍的有效標(biāo)記。對(duì)100幅典型水域遙感圖像的實(shí)驗(yàn)測(cè)試結(jié)果表明：正確云分類判別率達(dá)到97%，誤判率小于4%，漏判率小于2%，基本滿足實(shí)時(shí)性需求，證明了該算法的有效性。

遙感圖像；灰度特性；云分類；云檢測(cè)

隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，使得星載遙感影像在環(huán)境、農(nóng)業(yè)、氣象等領(lǐng)域得到廣泛的應(yīng)用[1]。但采用可見光衛(wèi)星成像的圖像，往往受天氣的影響，使得圖像存在云遮擋，不能直接應(yīng)用和分析，如果將此圖像完全作廢，則增加了衛(wèi)星拍照成本，而且對(duì)于某些雨水較多的地區(qū)，很難找到拍照區(qū)完全無(wú)云的機(jī)會(huì)。因此，對(duì)圖像進(jìn)行云分類檢測(cè)，通過(guò)一定的措施，對(duì)不同時(shí)間段獲取的同一地區(qū)圖像，將有云區(qū)域與無(wú)云區(qū)域進(jìn)行替換，得到一張完整的無(wú)云圖像。替換后的圖像包含了更為全面和豐富的地表信息，更有利于對(duì)圖像進(jìn)一步的分析處理，如目標(biāo)識(shí)別、動(dòng)態(tài)監(jiān)測(cè)等，這對(duì)提高遙感數(shù)據(jù)利用率有重要的意義。

常用的云檢測(cè)方法有閾值法及模式分類法。其中閾值法是利用云與地物在可見光及紅外通道上所表現(xiàn)出的反射率、亮度和溫度的不同來(lái)設(shè)置閾值，實(shí)現(xiàn)云檢測(cè)[2]，包括多光譜閾值法[3]、動(dòng)態(tài)閾值法[4]、多通道閾值法[5]等。模式分類法即從模式識(shí)別的角度，提取合適的特征，通過(guò)選擇合適的分類器實(shí)現(xiàn)云圖判別[6]，郁文霞等[7]基于遙感圖像空間紋理特征和統(tǒng)計(jì)特征進(jìn)行云判，陳鵬等[8]通過(guò)統(tǒng)計(jì)灰度、頻率和紋理特性，選擇無(wú)監(jiān)督分類器(K-均值：k-means)和有監(jiān)督分類器(支持向量機(jī)：SVM)進(jìn)行分類，將每幅圖像分割成小塊子圖后，根據(jù)上述特性對(duì)子圖判斷是云類還是地物類，得出的分類結(jié)果都在95%以上；單娜等[9]結(jié)合光譜閾值和紋理分析這兩種方法，提出了一種基于樹狀判別結(jié)構(gòu)的快速高準(zhǔn)確度云檢測(cè)算法。

上述算法在云檢測(cè)中都取得了一定的成效，然而都沒(méi)有對(duì)云進(jìn)行系統(tǒng)的分類，只對(duì)圖像中的云和地物進(jìn)行了分類，在對(duì)不同的云類型進(jìn)行檢測(cè)時(shí)存在適應(yīng)性較差的問(wèn)題。因此本文提出了一種基于灰度特性的云分類及云檢測(cè)算法，該算法能夠很好地區(qū)分出無(wú)云、薄云和厚云這三類云，并通過(guò)邊緣檢測(cè)算法，對(duì)厚云在遙感圖像中的位置進(jìn)行了有效標(biāo)記。通過(guò)大量的實(shí)驗(yàn)，得到正確云分類判別率為 97%以上，證明了本算法的可行性和有效性。

1 基于灰度特性的遙感圖像云分類及云檢測(cè)算法

云分類及云檢測(cè)算法分為兩大部分：①云分類模塊：將原始圖像切分成小塊子圖，通過(guò)對(duì)每幅子圖統(tǒng)計(jì)灰度值的均值和方差范圍后確定出云的類型；②云檢測(cè)模塊：在分類的基礎(chǔ)上，通過(guò)邊緣檢測(cè)算法標(biāo)記出厚云的影響范圍。

1.1 云分類模塊

在不同的領(lǐng)域?qū)⒃品殖刹煌念愋?，例如：氣象中根?jù)云距地球表面的高度可將云分為高云(纖維狀卷云、密卷云、卷層云和卷云砧)、中云(高積云和高層云)和低云(積云、積雨云、層積云、層云和霧)[10]。但這種分類方法不適合遙感圖像的處理，為此本文將遙感圖像中云的類型定義成三種，即：無(wú)云、薄云和厚云。薄云是遙感圖像中常出現(xiàn)的一種云，它不單包含云的信息，還包含一些地物信息，所以對(duì)它的研究比較多；而厚云亮度值遠(yuǎn)大于普通陸地和水面，被厚云遮擋處的圖像也幾乎不包含任何地面景物，沒(méi)有太大的實(shí)用價(jià)值，需要用其他時(shí)段的同區(qū)域圖像替代這一區(qū)域。

云分類模塊的流程圖如圖1所示。

圖1 云分類算法流程圖

在進(jìn)行云分類判斷時(shí)，往往不能直接從一幅遙感圖像中確定云的類型，因?yàn)樵谝环鶊D像中，會(huì)同時(shí)存在幾種不同類型的云或者無(wú)云的情況。為此，首先將原始的遙感圖像(這里采用的圖像像素為1920×3456)按行分成20份、按列分成24份，變成像素為 96×144的小圖像，每幅遙感圖像就有 480幅小圖像，然后對(duì)每一幅小圖像統(tǒng)計(jì)三種類型云的均值和方差。對(duì)于水域而言，由于無(wú)云圖像都近似黑色的，均值和方差都比較??；厚云由于亮度很大的原因，均值比較大，而方差會(huì)出現(xiàn)很小如近似為零或者很大的情況，圖2所示為一幅原始的遙感圖像被分割成 96×144的小圖像后四種典型厚云的方差值(其中矩形的像素為96×144)，其中矩形1的方差為6583.9，矩形2的方差為537.2123，矩形3的方差為49.1611，矩形4的方差為0；薄云相比較而言均值和方差都比厚云略小一點(diǎn)。通過(guò)對(duì)100幅水域遙感圖像，即48000幅小圖像的統(tǒng)計(jì)，得出表1中的數(shù)據(jù)，由此可以通過(guò)均值和方差較好的區(qū)分出無(wú)云、薄云和厚云這三種類型的云。

得出三種類型云的均值和方差閾值范圍后，就對(duì)原始遙感圖像切分后的480個(gè)小圖像進(jìn)行判斷：首先通過(guò)閾值判斷是否為無(wú)云圖像，然后判斷是否為薄云圖像，最后剩余的圖像認(rèn)為是厚云圖像。將無(wú)云圖像的灰度值和索引值存在元胞數(shù)組中，將其二值圖灰度值全部設(shè)置為零，保存在相應(yīng)的元胞數(shù)組中；這里將薄云圖像也當(dāng)做無(wú)云圖像來(lái)處理，因?yàn)檎n題要求主要是完成厚云的檢測(cè)，方便后續(xù)再對(duì)圖像進(jìn)行目標(biāo)識(shí)別，而本文定義的薄云是可以看到云下面的地表信息，所以對(duì)薄云只需分類而無(wú)需進(jìn)行檢測(cè)處理；而對(duì)于厚云保存了圖像灰度值和索引值后，對(duì)每幅小圖像采用 Otsu算法[11]進(jìn)行二值化處理，即每幅小圖像用 Otsu算法計(jì)算出一個(gè)閾值[12]，大于閾值的認(rèn)為是目標(biāo)即云，灰度值變?yōu)?，小于閾值的認(rèn)為是背景，灰度值變?yōu)?，然后將其灰度值保存到相應(yīng)的元胞數(shù)組中，這樣有助于解決閾值單一性的缺陷，對(duì)每幅小圖像有較好的自適應(yīng)性。對(duì)圖像進(jìn)行判斷后，將云類型cloud-type值按未分類、無(wú)云、薄云和厚云分別賦值0、1、2和3，這樣就可以很好地觀察到480幅小圖像的云分類結(jié)果，方便后續(xù)實(shí)驗(yàn)統(tǒng)計(jì)云正確判別率、誤判率和漏判率。

圖2 分割后四種典型厚云

表1 三種類型云的均值、方差統(tǒng)計(jì)表

1.2 云檢測(cè)模塊

1.2.1 連通區(qū)域標(biāo)記

由上述方法得到480幅小圖像的二值圖后，就要對(duì)其連通區(qū)域進(jìn)行標(biāo)記。二值圖像的連通區(qū)域標(biāo)記是從僅有“0”像素(通常表示背景點(diǎn))和“1”像素(通常表示前景點(diǎn))組成的一幅點(diǎn)陣圖像中，將相互鄰接(4鄰域或8鄰域)的“1”值像素集合提取出來(lái)[13]。

本文采取的標(biāo)記方法是對(duì)圖中任意灰度值為1的像素點(diǎn)，搜索其8連通區(qū)域，將8鄰域內(nèi)灰度值為1的像素點(diǎn)放入同一個(gè)數(shù)組中，掃描整個(gè)二值圖像，將得到一個(gè)包含很多連通域的元胞數(shù)組。再對(duì)元胞中的每一個(gè)數(shù)組采用 matlab工具箱中的regionprops函數(shù)，獲取其最小外接矩形區(qū)域的數(shù)組status，其中status包含了矩形區(qū)域的左上角坐標(biāo)值和矩形長(zhǎng)寬值等信息[14]。

1.2.2 最小外接矩形坐標(biāo)

通過(guò)上述方法可以得到每幅圖中連通區(qū)域的外接矩形坐標(biāo)值，但都是針對(duì)像素為 96×144的圖像得出的，這時(shí)需求出這些外接矩形在原始圖像中的坐標(biāo)值。由于status中包含每幅圖中矩形的左上角坐標(biāo)值x、y和矩形的長(zhǎng)寬值w、h，這樣就可以得到矩形的4個(gè)頂點(diǎn)坐標(biāo)值。由此可知第1-1矩形(1-1表示第一行第一列的矩形)的坐標(biāo)值不變，第1-2矩形坐標(biāo)為x＋144和y，依次類推，第1-24矩形坐標(biāo)為x＋144×23和y；同理，第2-1矩形的坐標(biāo)為x和y＋96，第2-2矩形的坐標(biāo)為x＋144和y＋96，類推得到第 2-24矩形的坐標(biāo)為 x＋144×23和y＋96；綜上所述，得到第20-1矩形的坐標(biāo)為x和y＋96×19，···，第20-24矩形的坐標(biāo)為x＋144×23和y＋96×19。按照這個(gè)方法，就可以得出480幅圖像中所有外接矩形在原始圖像中的4個(gè)頂點(diǎn)坐標(biāo)值(其中minX 、minY 為左上角坐標(biāo)，maxX 等于minX 加上矩形的長(zhǎng)度 w，maxY 等于minY 加上矩形的寬度h)。即：但要說(shuō)明的是，在這480幅圖像中會(huì)出現(xiàn)無(wú)云的圖像，這時(shí)元胞status中矩形的4個(gè)參數(shù)值就為空，不能進(jìn)行上述的坐標(biāo)加法運(yùn)算，所以為了運(yùn)算能夠正確進(jìn)行，就把坐標(biāo)值為空的情況賦值為零。

1.2.3 合并矩形

通過(guò)上述方法得到外接矩形后，會(huì)出現(xiàn)矩形重疊或者距離過(guò)近的情況，這時(shí)就要考慮合并矩形。合并矩形的流程如圖3所示。對(duì)任意不同的矩形兩兩比較，首先判斷是否重疊，若重疊合并矩形，不重疊就再判斷矩形之間距離是否小于等于某個(gè)值(例如 64)，若小于等于 64合并矩形，否則保持矩形原樣，不對(duì)它進(jìn)行處理。

圖3 合并矩形流程圖

具體算法步驟如下：

步驟 1.判斷是否重疊，是比較兩個(gè)矩形中心點(diǎn)坐標(biāo)差與矩形的長(zhǎng)寬值。假設(shè)任意兩個(gè)矩形坐標(biāo)值為 vertex1和 vertex2，如式(1)，長(zhǎng)寬值為 w1、h1和w2、 h2，則兩個(gè)矩形的中心點(diǎn)坐標(biāo)為

如果兩個(gè)矩形在x方向中心點(diǎn)坐標(biāo)差的絕對(duì)值小于等于矩形長(zhǎng)度的一半，即：

則認(rèn)為在x方向矩形重疊；同理若兩個(gè)矩形在y方向中心點(diǎn)坐標(biāo)差的絕對(duì)值小于等于矩形寬度的一半，即：則認(rèn)為在y方向矩形重疊。當(dāng)同時(shí)滿足式(2)和式(3)時(shí)，就認(rèn)為矩形重疊，執(zhí)行步驟3，否則認(rèn)為矩形不重疊執(zhí)行步驟2。

步驟2.判斷矩形之間距離是否小于64，也是采用類似的方法。計(jì)算兩個(gè)矩形在x、y方向中心點(diǎn)坐標(biāo)差的絕對(duì)值減去矩形長(zhǎng)、寬度一半的值，即：如果式(4)和式(5)都成立，則認(rèn)為矩形之間的距離小于64像素值，執(zhí)行步驟3，否則維持矩形不變。

步驟3.合并矩形采用變化頂點(diǎn)坐標(biāo)值來(lái)實(shí)現(xiàn)。首先對(duì)x方向坐標(biāo)值進(jìn)行改變：對(duì)任意兩個(gè)矩形，若大于則把的值賦給，否則的值賦給若小于則把的值賦給否則的值賦給結(jié)束x方向坐標(biāo)值的改變。同理y方向坐標(biāo)值也按照這個(gè)方法進(jìn)行變化。得到合并后的坐標(biāo)值后，按照式(1)，把vertex元胞中含有相同值的元素去掉，得到所有合并后的矩形頂點(diǎn)坐標(biāo)值，這時(shí)再去掉矩形中長(zhǎng)和寬小于 64像素值的矩形，認(rèn)為這時(shí)標(biāo)記的是圖像中的目標(biāo)，最后保存處理后的合并矩形頂點(diǎn)坐標(biāo)信息。

1.2.4 輸出云檢測(cè)后圖像

如果在連通區(qū)域標(biāo)記時(shí)，連通域個(gè)數(shù)都為0，則認(rèn)為原始圖像是無(wú)云圖像，這時(shí)直接輸出原圖像，不用進(jìn)行后續(xù)處理計(jì)算；而對(duì)其他圖像，得到最后合并矩形的頂點(diǎn)坐標(biāo)后，在原始圖像中按照坐標(biāo)值畫出矩形框，輸出云檢測(cè)后圖像。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文隨機(jī)選取100幅像素為1920×3456的典型水域遙感圖像作為實(shí)驗(yàn)數(shù)據(jù)，即共有48000幅像素為96×144的小圖像。

2.2 云分類結(jié)果

原始遙感圖像中包含各種云類信息，首先通過(guò)人工方式對(duì)每幅圖中的云進(jìn)行分類，然后通過(guò)上述算法對(duì)圖像進(jìn)行云分類判斷，分類結(jié)果如表2所示。

表2 分類結(jié)果

定義云分類正確率p1=(1–|人工分類云總數(shù)–算法分類云總數(shù)|/人工分類云總數(shù))×100%，誤判率p2為實(shí)驗(yàn)中誤判云類的個(gè)數(shù)與人工分類個(gè)數(shù)之比，漏判率 p3為實(shí)驗(yàn)中漏判云類的個(gè)數(shù)與人工分類個(gè)數(shù)之比。用上述算法對(duì)100幅圖像進(jìn)行云分類后，得到的云分類結(jié)果精度如表3所示。

表3 算法性能參數(shù)值(%)

2.3 云檢測(cè)結(jié)果

對(duì)分類后的云進(jìn)行云檢測(cè)結(jié)果如圖 4(a)～(d),其中圖4(a)為無(wú)云圖像直接輸出原圖；圖4(b)中既含有薄云又含有厚云，對(duì)薄云部分直接輸出，不用矩形框標(biāo)記，厚云部分用矩形框標(biāo)記，并且得到了每個(gè)矩形框的4個(gè)頂點(diǎn)坐標(biāo)值；圖4(c)為厚云圖像，但厚云比較小且分布散開，將其距離很近的云用一個(gè)矩形框標(biāo)記，其余相距較遠(yuǎn)的分別用矩形框標(biāo)記，同樣會(huì)得到各個(gè)矩形的頂點(diǎn)坐標(biāo)值；圖4(d)為厚云圖像，圖中含有一大片厚云，用一個(gè)矩形把云標(biāo)記，輸出矩形的頂點(diǎn)坐標(biāo)值。

圖4 云檢測(cè)結(jié)果

2.4 實(shí)驗(yàn)分析與比較

與目前的算法相比，本文能夠較好的對(duì)圖像中的薄云和厚云進(jìn)行分類，并對(duì)其區(qū)分處理，而且還能得到含有標(biāo)記了厚云的矩形框坐標(biāo)，在后續(xù)對(duì)圖像進(jìn)行目標(biāo)識(shí)別和勘測(cè)時(shí)，就可以無(wú)需處理此坐標(biāo)中的圖像部分，為研究者提供了方便。下面將具體與兩篇參考文獻(xiàn)的算法進(jìn)行比較分析：文獻(xiàn)8的云檢測(cè)結(jié)果如圖5(a)所示，它在進(jìn)行云和地物類區(qū)分時(shí)，就沒(méi)有考慮薄云的影響，將薄云也劃分成地物類，如圖中矩形框標(biāo)記為 1的部分，而且還將部分較小的厚云和很亮的厚云也標(biāo)記為地物類，如圖中矩形框標(biāo)記為 2的部分和矩形框標(biāo)記為 3的部分，本文算法就能夠很好的對(duì)這部分的厚云進(jìn)行處理，如圖 4(b)和(c)，大大提高了云檢測(cè)的準(zhǔn)確性；文獻(xiàn) 9的云檢測(cè)結(jié)果如圖 5(b)所示，它只能對(duì)大片的厚云進(jìn)行檢測(cè)，沒(méi)有分析如何對(duì)薄云和小片的厚云進(jìn)行處理，而本文從云的多樣性出發(fā)，詳細(xì)分析了各種云的分類和檢測(cè)，提高了云檢測(cè)的適用性。

圖5 算法比較

3 結(jié) 論

本文針對(duì)遙感圖像中云圖的多樣性，從圖像分割及灰度特性出發(fā)，將云分成了無(wú)云、薄云和厚云三類，并對(duì)厚云采用邊緣檢測(cè)算法進(jìn)行有效標(biāo)記，為后續(xù)的消云處理奠定了基礎(chǔ)，實(shí)驗(yàn)結(jié)果表明本算法對(duì)云分類有較高的準(zhǔn)確率。但本算法在應(yīng)用中將原始圖像切分成小塊子圖，破壞了圖像的整體性，有些圖像單從小圖來(lái)看，很難判別是薄云還是厚小碎片云，下一步工作將從圖像的整體上把握，對(duì)整幅圖進(jìn)行有效的云檢測(cè)研究。

[1] 唐王琴, 梁 棟, 胡根生, 馬雪亮, 杭丹萍. 基于支持向量機(jī)的遙感圖像厚云去除算法[J]. 遙感技術(shù)與應(yīng)用, 2011, 26(1): 111-116.

[2] 劉 健. FY-2云檢測(cè)中動(dòng)態(tài)閾值提取技術(shù)改進(jìn)方法研究[J]. 紅外與毫米波學(xué)報(bào), 2010, 29(4): 288-292.

[3] 侯 岳, 劉培洵, 陳順云, 劉少峰. 基于MODIS影像的夜間云檢測(cè)算法研究[J]. 國(guó)土資源遙感, 2008, (1): 34-37.

[4] Di Vittorio A V, Emery W J. An automated dynamic threshold cloud-masking algorithm for daytime AVHRR images over land [J]. IEEE Transaction on Geoscience and Remote Sensing, 2002, 40(8): 1682-1694.

[5] 馬 芳, 張 強(qiáng), 郭 鈮, 張 杰. 多通道衛(wèi)星云圖云檢測(cè)方法的研究[J]. 大氣科學(xué), 2007, 31(1): 119-128.

[6] 趙 敏, 張 榮, 尹 東, 王 奎. 一種新的可見光遙感圖像云判別算法[J]. 遙感技術(shù)與應(yīng)用, 2012, 27(1): 106-110.

[7] 郁文霞, 曹曉光, 徐 琳, Bencherkei M. 遙感圖像云自動(dòng)檢測(cè)[J]. 儀器儀表學(xué)報(bào), 2006, 27(6): 2184-2186.

[8] 陳 鵬, 張 榮, 劉政凱. 遙感圖像云圖識(shí)別中的特征提取[J]. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào), 2009, 39(5): 484-488.

[9] 單 娜, 鄭天垚, 王貞松. 快速高準(zhǔn)確度云檢測(cè)算法及其應(yīng)用[J]. 遙感學(xué)報(bào), 2009, 13(6): 1147-1155.

[10] 王丕浩, 劉宗義, 張開斗. 應(yīng)用衛(wèi)星氣象學(xué)[M]. 青島:中國(guó)海洋大學(xué)出版社, 2004: 51-60.

[11] Otsu N A threshold selection method from gray-level histograms [J]. IEEE Transaction on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[12] 劉紀(jì)紅, 王鋮媛. 一種基于自適應(yīng)閾值的圖像二值化算法[C]//2009中國(guó)控制與決策會(huì)議論文集(3). 桂林, 2009: 3958-3962.

[13] 曹長(zhǎng)虎, 李亞非. 一種二值圖像連通區(qū)域標(biāo)記快速算法[J]. 科學(xué)技術(shù)與工程, 2010, 10(33): 8168-8171, 8180.

[14] 姚 敏. 數(shù)字圖像處理[M]. 北京: 機(jī)械工業(yè)出版社, 2006: 269-270.

The Study of Cloud Classification and Detection in Remote Sensing Image

Zhou Xuejun1, Yang Xiaofei1, Yao Xingzhong2
(1. School of Optical and Electronic Information, Huazhong University of Science and Technology, Wuhan Hubei 430074, China; 2. Laboratory of Precision-Guided Technology, Second Artillery Command College, Wuhan Hubei 430012, China)

Cloud shelter in remote sensing image may cause low date utilization rate, so the research of automatic and efficient cloud classification and detection method is increasingly important. This article proposes a high performance and high accuracy algorithm for the cloud classification and cloud edge detection based on gray character. This method finds out the mean and variance of gray value to classify cloud into three categories by dividing the image, then uses edge detection methods to remark the influence area of thick cloud. Primary testing results of 100 water remote sensing images have showed that this algorithm is valid and can satisfy the engineering requirement: the precise classification rate is 97%, the false rate is lower than 4% and the missed rate is lower than 2%.

remote sensing image; gray character; cloud classification; cloud detection

TP 751

A

2095-302X(2014)05-0768-06

2014-01-23；定稿日期：2014-06-11

周雪珺(1991–)，女，湖北武漢人，碩士研究生。主要研究方向?yàn)閿?shù)字圖像處理。E-mail：zxj9122@hust.edu.cn

姚行中(1962–)，男，湖北隨州人，教授，博士。主要研究方向?yàn)樾l(wèi)星圖像的處理與應(yīng)用、精確制導(dǎo)技術(shù)。E-mail：X.Z.Yao@hust.edu.cn