遥感影像中的云主要分为三类：厚云、薄云以及云影。如图1。
云影是由于云层吸收了太阳光线，导致没有接收到光线的地方出现了黑暗的成像区域，可通过一些阴影去除方法(如颜色一致性原理)来修复阴影区域，但遥感图像中云影存在的现象较少。
在遥感成像过程中，厚云的存在使得地表反射光线的传播路径完全被遮挡导致传感器难以获取其辐射信号。
根据现有的研究显示，厚云没办法实现真正的去除，通过采用其他相邻时相的无云影像，补充云覆盖地区缺失的地面信息是唯一的解决途径，但相邻时期无云遥感影像难以获得。
薄云通常呈现半透明状态，在遥感成像过程中，对传感器获取图像也会带来一定的困扰，但其具有良好的透视性，获取的影像中通常还包含部分地物信息；所以可以通过单幅影像的特征来削弱薄云的干扰，提高影像利用率。
相较于云影和厚云的去除， 遥感图像中薄云的去除更具可执行性和实际意义，这也是众多科研人员的重大研究方向。
基于空间光谱特征的薄云去除算法
薄云最优变换(Haze Optimized Transformation，HOT)。 HOT算法是一种专门用来量化大气影响的方法，它是对海量晴空遥感图像进行科学研究，最终总结的一种统计规律。
即在遥感图像的晴空区域中，地物的红光波段与蓝光波段的光谱响应具有较高的相关性，对两个波段的DN值数据进行线性拟合，可以发现其散点图基本在条直线上，这条线称之为“晴空线”(Clear Line)。
如图3，使用MODTRAN4版本代码，对不同类型地物在19个不同级别大气云层深度下的蓝光波段和红光波段的表观辐射率进行了估算。
图中，横坐标TM1表示蓝光波段DN值，纵坐标TM3则为红光波段DN (Digital Number)值，其中每个点偏离晴空线的距离称为晴空距即HOT值。
由于各个波段对云层的光谱响应不同，其红光波段地物反射率的增加速度小于蓝光波段。 由此，有云存在的地表范围内其像元并不在晴空线上，而是向线的下方偏离。
在HOT变换示意图中，其编号越大的，表示其云层越厚，其偏离晴空下的距离也越远,因此， 可以根据距离晴空线的距离来检测云层的厚度。
HOT值为像元偏离晴空线的距离，可用公式1来计算。
HOT算法去云主要有以下几个步骤：
（1）选取晴空区，计算晴空线。在所要处理的遥感图像中手动选取一块晴空区域，利用该区域红蓝波段的DN值构建散点图，并计算晴空线及坡度角。
（2）计算HOT值，生成HOT图。根据公式1，计算原来图像各点的HOT值，生成HOT图。
（3）薄云去除。根据生成的HOT图对图像进行分层，可分为若干个集合，各个集合中的云量可近似为同一值；对划分的各层实施暗目标减法，以此降低影像中薄云的干扰。
HOT算法可以有效地检测薄云，继而通过分离薄云辐射信息实现去云。但对某些地物如植被、雪等比较敏感，在去云时这些地物可能会校正过度导致图像失真。
为了解决此问题，2007年对算法进行了改良，首先将对HOT敏感的地物进行掩膜，然后通过空间插值方法填充生成HOT图，从而避免敏感地物产生虚假HOT值的情况。
2015年，刘泽树等发现在植被地区云检测结果更加精确，于是将归一化植被指数(NDVI)引入算法中，提出了优化的HOT云检测算法，改善了薄云去除影像的结果。 但该算法去云的质量会受季节变化和地表植被覆盖范围的影响。
2018年，学者提出一种结合迭代霾优化(IHOT)和云轨迹的遥感图像去云方法，借助IHOT估量云层厚度，同时将云阴影地区标记出来: 根据不同云层厚度下的相邻区域内的相似像素拟合云轨迹，利用IHOT和地表反射率之间的关系，对影像中的云区进行校正。
结果发现图像的目视效果得到了改善，然而该方法需要无云图像作为参考，仅靠单幅图像难以实现薄云去除。
综上所述，地物敏感性问题始终影响HOT算法的效益，基于该算法的薄云去除结果中某些地物易被校正不足或过校正，进而导致图像失真。
直方图匹配法直方图匹配法，又称直方图规定化，即按照某种特定的形式，对原始图像的直方图进行变换，从而使两幅图像具有相似的色调和反差。
但该方法用于遥感影像薄云去除时有一假设前提：影像的云覆盖地区与无云地区的直方图相似。
主要算法思路是选择某个地区不同时期的无云图像作为参考，调整薄云覆盖区域的直方图，使之与晴空地区的直方图一致或近似相同，让有云图像在亮度、对比度及饱和度与无云图像近似，从而实现遥感影像上薄云的去除。
直方图匹配去云方法简单且可操作性强，在PCI及ERDAS的软件包中已包含该算法，用户可直接调用。
然而，该算法是基于薄云覆盖下的地表与无云区域的直方图相同这一假设前提开展的研究，如果有云与无云地区的地物反射特性不同时，则假设则不成立，使用该算法后影像的薄云去除效果将会不理想。
基于频域滤波的薄云去除算法
在空间域上，薄云在遥感图像中一般表现为遍布范围广、变化稍显缓慢；在频率域中则具有处于低频这一特征。
根据这一性质，可将遥感影像经过某些变换转至频率域，选择合适的滤波器对影像中有云层信息的低频部分进行削弱；然后通过逆变换转换回空间域，对图像进行增强处理，得到最终的薄云去除影像。
较为典型的算法有同态滤波、小波变换、同态滤波与小波变换相结合等。
1.同态滤波算法
学者在1984年提出基于同态滤波器的薄云去除算法，该算法认为，一幅图像可简化为两个部分组成： 入射分量和反射分量。用一个二维函数f(x,y)来表示影像，则该函数可以看作是光源的入射量函数fi(x,y)与地面反射率函数)的乘积如公式2。
由于云在频率域中具有处于低频这一特征，同态滤波(Homomorphic Filter)算法将图像通过傅里叶变换转换至频率域，通过减少低频信息、增加高频信息，从而消除影像中的薄云信息达到去云的目的。
同态滤波算法在遥感影像薄云去除时， 当光谱波段不同时，所需的大气传输方程不同，因而需要针对性地选择合适的滤波器参数。
同态滤波是一种高效的去云算法，可用于单景遥感图像薄云去除。但图像转换至频率域后，其低频中可能还包含一定的地表信息；使用同态滤波算法时，其高通滤波器的截止频率是一个关键要素，影响着去云的结果。
倘若将截止频率设置得太高，某些地物信息容易丢失，设置过低，则不能完全剔除云成分，并且不同的地物信息其闯值不同，即截至频率不同。
滤波器的选择及截止频率的确定成为同态滤波去云的一大重难点，这也是频域去云算法难以广泛应用的原因之一。
2.小波变换
基于小波变换的薄云去除算法一般流程为： 首先对影像执行小波分解，得将会得到低频和高频两组信号，分别对应原始图像中的云层信息和地物信息。其中低频部分可以再分为次低频和次高频。
依此类推，通过小波分解，原始图像被分解成多个层次；然后凭借提高高频细节系数、降低低频近似系数的方式，来削弱或消除遥感影像中的云噪声；最后将处理后的各系数进行小波重构，即可恢复薄云影像。
小波变换对去除遥感影像中的云噪声有一定效果， 但该算法与同态滤波相似也会影响图像中晴空地区的地表信息，并且小波分解的层次、小波基的选择都会对去云效果造成直接影响。
3.地物信息缺失、图像失真问题
许多算法在薄云去除时仅仅考虑去除云层信息，提高影像的清晰度，然而忽略了地物信息丢失、图像光谱信息被破坏等问题。
如频率域中的同态滤波算法在去云时，截至频率的设置不当将会导致地物信息丢失。
除此之外，由于云对各个波段敏感性不同，各波段中的云层含量会有所差别，在去云时可能会导致某些波段欠校正或过度校正等问题，从而使得薄云去除结果产生色彩偏差严重的问题。
影像中地物信息的严重缺失、色彩失真不利于遥感图像的后续应用。
在遥感图像中地物信息的损失难以避免，但如何尽可能地减少地表信息丢失、实现高保真去云是我们需要努力的方向。