關鍵字: Sentinel-2,LandSat-7,雲遮蔽,影像內插,CloudMask
GIS x GeoSpatial x RS
*關西第一機場影片有有一個區塊缺失，是由於移除雲遮蔽算法的所致的。
2. 光學影像的雲遮蔽移除與填補
Landsat衛星影像的雲遮蔽是一個常見的問題(或是說對於所有光學影像來說)，雲層可能會遮蔽地表，大部分的光學成像波段都無法輕易地穿越雲層，因而影響遙感分析的準確性。以下介紹一些通用的移除雲遮蔽方法：
1. 使用遮罩
這種方法通常是根據光譜指數來計算雲遮蔽遮罩，常用的指數有NDVI（Normalized Difference Vegetation Index）和NDSI（Normalized Difference Snow Index）。NDVI是通過比較紅色波段和近紅外波段之間的差異來檢測植被覆蓋度的指數，而NDSI是通過比較紅色波段和綠色波段之間的差異來檢測雪覆蓋度的指數。這些指數對於雲層也有一定的區分能力，因此可以通過這些指數計算出遮罩來過濾影像中的雲層。
遮罩的計算方法比較簡單，但是需要對光譜指數有一定的了解，並根據影像中的具體情況選擇合適的指數和閾值。此外，遮罩也可能會把一些非雲區域誤判為雲區域，因此需要對遮罩進行進一步的修正和調整。
2. 適應性閾值方法
這種方法通常是根據影像中的局部特徵，如亮度、紋理等來進行適應性閾值處理，來檢測影像中的雲層。常用的算法有OTSU算法和局部自適應閾值算法（Local Adaptive Thresholding Algorithm，LAT）。OTSU算法是一種基於全局最小化類間方差的算法，可以在整個影像上找到最佳閾值，並將其應用於整個影像。LAT算法則是在影像的每個局部區域上計算閾值，並將其應用於該區域內的像素。這種方法可以根據影像的局部特徵來調整閾值，進而有效地移除雲遮蔽。
適應性閾值方法的缺點是容易受到光照和影像質量的影響，尤其是在影像中存在較大的陰影區域時，效果可能不佳。
3. 多時相影像融合
這種方法是通過將多個時相的影像進行融合，從而消除影像中的雲層。常用的融合方法包括主成分分析（Principal Component Analysis，PCA）和小波變換等。通過融合多個時相的影像，可以有效地消除影像中的雲層，並提高影像的空間分辨率。不過，這種方法需要大量的多時相影像，並需要一定的硬體計算能力。
4. 深度學習方法
近年來，深度學習在遙感影像處理中的應用逐漸增多。對於移除Landsat衛星影像中的雲遮蔽，也有一些深度學習方法被提出。例如，可以使用卷積神經網絡（Convolutional Neural Network，CNN）對影像進行分類，區分出雲層和非雲區域，然後將雲層部分進行去除或替換。此外，還可以使用生成對抗網絡（Generative Adversarial Network，GAN）來生成不帶雲層的影像。
深度學習方法的優點在於可以自動學習影像中的特徵和規律，並且可以根據具體問題進行調整和優化，效果往往比傳統方法更好。但是，深度學習方法需要大量的樣本數據和計算資源，並且需要較長的訓練時間。
總之，移除Landsat衛星影像中的雲遮蔽是遙感影像處理中的一個重要問題，有多種方法可以進行處理。每種方法都有其優點和局限性，需要根據具體情況選擇合適的方法。
在移除雲遮蔽後，Landsat衛星影像可能會出現缺陷或空洞區域，因此需要進行影像填補處理。影像填補是一種數字影像處理技術，可以根據周圍像素的值，將缺失區域的值進行估算或推算，使得整張影像具有完整性和連續性。以下是一些可能用於Landsat衛星影像填補的技術：
- 內插法：這是一種最基本的填補技術，它可以根據周圍像素的值進行估算，像素值來源也可以是採用不同波段的數據進行估算。最常用的內插法包括雙線性內插法、三次內插法等。
- 地物識別法：這種方法需要先對影像進行地物識別，然後根據影像中的地物特徵進行填補。例如，如果影像中缺失的是一個樹冠區域，可以根據周圍其他樹冠的特徵來填補。
- 多時相影像法：這種方法需要利用多時相的影像資料，將多張影像進行融合和比對，然後根據不同時相影像之間的關係來進行填補。
- 機器學習法：這是一種最新的影像填補技術，它可以利用深度學習等方法對缺失區域進行預測和填補。例如，可以使用神經網絡模型來進行影像填補，這樣可以提高填補的準確性和效率。
