光学遥感图像在获取过程中容易受到云雾遮挡。图像中不同程度的云雾分布影响着图像在监测中的可用性,不利于地面目标的检测和分类,对遥感图像融合以及精确地表参数的反演等过程有很大干扰。因此,遥感图像中云雾的检测与分割有重要意义。现有的云雾检测和分割方法为“二分法”,即把图像分为“云雾”和“非云雾”两大类,这种分割在许多实际监测中并不能满足需求,因为云雾有薄有厚,在图像中的表现不同,对地面地物的影响也不同。在此背景下,本文试图探索一种遥感图像云雾自动分割的“三分法”,即在非云雾与云雾之间分割出一个中间区域。以1984-2013年之间的20期的Landsat的TM、ETM+和OLI&TIRS图像为数据源,通过三期典型图像分析了三大区域的光谱特征差异,综合已有云雾检测算法的优势,构建了云雾自动分割模型,并使用20期图像进行了模型验证。本文主要内容和成果如下:(1)遥感图像中云雾区域的特征分析和定义根据Landsat卫星不同中心波长对应的不同大气状况下的散射系数及其均值和标准差,分析不同波段之间受大气影响的差异性,可知可见光与其他波段在受大气影响方面的差异性显著,据此确定遥感图像中不同云雾分布区域的定义:Type1是指遥感图像中所有波段的像素值均没有受云雾影响的区域。Type2是指遥感图像只有可见光波段的像素值受云雾影响而近红外波段基本上未受影响的地区。Type3是指遥感图像所有波段的像素值都受到了云雾的影响,致使从可见光到红外波段的所有波段的有效地物信息均受到了损失。该定义与目视解译(3,2,1)和(7,5,4)彩色合成图像的结果具有较好的一致性。(2)已有云雾检测算法适用性分析选取太湖区域的Landsat典型图像对两种典型的云雾检测算法——基于对象的云检测(Fmask)和基于暗原色先验知识的局部暗目标算法(HTM)进行验证。结果表明,Fmask算法对Type3的检测精度较高,而对Type2检测较差;基于暗原色先验知识的局部暗目标法(HTM法)对Type1的检测精度较高,但对Type2、Type3检测不准确。(3)云雾自动分割模型构建和验证根据光谱特性原理,综合Fmask算法的优势以及局部暗目标HTM法的优势,结合改进的高亮地物的处理和Otsu自动阈值分割算法,构建了遥感图像云雾自动分割模型。使用1984-2013年之间的20期太湖区域Landsat图像进行模型验证,结果表明本文构建的云雾自动检测和分割模型具有较好的适用性。以目视解译(3,2,1)和(7,5,4)的结果为真值对结果进行精度评价,对于大型水体,本文的自动分割模型对Type1、Type2、Type3的正确率分别可以达到94.5%、80%和99.9%,但Type2、Type3可能存在较高的漏分率,这是由于水体区域的检测采用了经验阈值,而经验阈值对不同图像的适用性有所不同,造成了湖体区域Type2和Type3的分割精度降低。对于陆地区域,本文模型的分割精度较高,Type1、Type2、Type3的正确率分别为94.3%,89.3%和97.5%。对图像分割结果进行T-检验,结果表明分割的三个类别间差异性显著,信度均达0.001,有良好区分性。本文提出的云雾自动分割模型流程简单、效率较高,便于遥感业务化应用。