云雪分离是云检测中一项具有挑战性的任务,对于卫星影像处理及应用具有重要的意义。对于大多数高分辨率卫星而言,它们的传感器波段只包括了可见光波段和近红外波段,导致传统的云雪检测方法不再适用。而目前针对高分辨率遥感影像的云雪分离研究也存在缺失和不足,大部分研究只针对全色波段影像,没有有效地利用颜色信息,部分研究对高分辨率卫星的能力有特殊的要求。本文针对云雪分离问题,提出了一种将光谱特征法与机器学习方法相结合的检测方法,该方法基于光谱、纹理和形状特征并采用了支持向量机多分类策略。通过对形状特性的研究,专门设计了一种新的特征——曲率直方图,来描述边缘形状。算法具体步骤如下:首先通过兴趣区检测利用多光谱信息将云雪像素一并提取出来,提取结果再与图像分割结果相结合,得到感兴趣对象并计算其特征。考虑到云雪覆盖的复杂性,将其分为四类,即厚云、薄云、雪和雪地,每两类训练一个分类器总共得到6个分类器。通过这6个分类器的分类并统计分类结果中每个类别的置信度之和,每个超像素则被分类为置信度值最高对应的类别。最后,利用GrabCut算法对分类结果进行像素级精度优化。本文对整体框架及各个算法步骤进行了相应的试验和验证。在对高分一号多光谱影像的云检测试验中,本文算法取得了较为良好的实验结果,表明本文的技术框架是针对高分辨率卫星多光谱影像进行云雪分离的一种可行方案。未来的工作中,我们将考虑如何利用空间上下文信息,并在分类阶段引入概率模型,来减少误分类错误的出现。