[发明专利]一种基于深度学习的遥感图像云检测方法

说明书

本发明公开了一种基于深度学习的遥感图像云检测方法，其包括以下步骤：对获得的遥感图像数据集进行图像预处理，并将预处理后的图像分为训练集和测试集；将训练集中的图像作为神经网络模型的输入，不断更新网络模型参数优化神经网络模型；将测试集图像输入到训练好的神经网络模型中进行验证，将遥感图像中有云的部分检测出来。本发明在结合使用深度学习卷积神经网络的基础上，解决了由于云特征提取不够充分而导致检测结果不够理想的问题，提高了检测精度，加强了算法的普适性。

技术领域

本发明涉及图像处理、深度学习、目标检测领域，特别是一种基于深度学习的遥感图像云检测方法。

背景技术

近几年来，随着遥感图像获取技术的发展，遥感图像被广泛应用到各个领域，为更好解读图像信息，由于天气因素出现在地面目标上方的云成为了研究的热点。遥感图像的云检测问题可以看做是图像分析的二值分割问题。卫星云图千变万化，云的高度、厚度、种类以及太阳高度角等因素均会对云产生极大的影响。就目前来看，可以将其检测方法分为以下几类。

物理检测的方法是使用多光谱物理特性应用到单个像素上进行检测，通过综合考虑集中光谱谱段进行阈值检测，其关键及时在于物理阈值的选取。基于遥感图像中云的纹理和空间特性来进行检测也是一个有效的途径，图像中云的存在明显增加了辐射度的空间变化性，也对图像的纹理产生了很大影响，目前已经得到实际应用。但当云层的厚度较薄或者背景较复杂的时候，上述方法难以取得较好的检测结果。

随着科技的迅速发展以及大数据时代的到来，一些传统的图像识别算法已经很难适应新形势下的图像检测与识别需求，基于深度学习的人工神经网络技术的出现很好的解决了上述问题，特有的非线性映射、自学习、自组织的信息处理能力，可以深度挖掘图像的特征信心，使得在遥感图像的很多领域大放异彩，具有广阔的应用前景，已经成为一大研究热点。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于深度学习的遥感图像云检测方法，采用深度学习的方法来深度挖掘遥感图像中云的特征信息，克服原有检测技术在特征提取上不够深入的缺点，提高检测精度和算法的普适性。

为解决上述技术问题，本发明所采用的技术方案是：一种基于深度学习的遥感图像云检测方法，其特征在于，包括以下步骤：

1)对获得的遥感图像数据集进行图像预处理，并将预处理后的图像分为训练集和测试集；

2)将训练集中的图像作为神经网络模型的输入，不断更新网络模型参数优化神经网络模型；

3)将测试集图像输入到训练好的神经网络模型中进行验证，将遥感图像中有云的部分检测出来。

步骤1)的具体实现过程包括：从Landsat-8卫星图像中下载9个数据集作为实验数据，将所述实验数据中的近红外、短波红外和热红外三个波段的图像进行图像融合，将融合后的图像裁剪为256*256大小的子图，然后进一步降采样到64*64大小，再讲降采样后的图像分为训练集和测试集。

步骤2)中卷积神经网络的训练算法和传统的反向传播算法差不多，主要分为4步来更新参数和优化模型，这4步可以分为2个阶段。

第一阶段：前向传播阶段。

A)从测试样本集中取一个样本(X,Y)，将X输入网络；X是指样本本身信息，Y为样本所对应的标签值；

B)计算相应的实际输出

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果)：

其中，Fn表示第n层卷积操作，Wn表示第n层网络的权值矩阵；

第二阶段：后向传播阶段。