[发明专利]一种基于深度学习和卫星遥感技术的海雾检测方法

权利要求书

1.一种基于深度学习和卫星遥感技术的海雾检测方法，其特征在于，包括：

获取卫星遥感图像，对图像中的海雾区域进行标注，将标注海雾区域的图像作为深度学习分割网络模型的标签，所述标签和标签对应的卫星遥感图像组成训练集图像；

对训练集图像进行预处理，得到符合预设标准的输入图像，所述输入图像用于扩充数据集；

基于扩充后的数据集，在GPU上对深度学习分割网络模型使用反向传播算法进行训练，训练完成后得到学习到海雾的图像特性的模型。

2.如权利要求1所述的方法，其特征在于，所述将图像中的海雾区域进行标注的方法包括：

使用labelme软件对获取的卫星遥感图像中的海雾区域进行标注，标注类别分为海雾和背景两类；标注后的图像作为标签和标签对应的图像一起输入到深度学习分割网络模型中。

3.如权利要求1所述的方法，其特征在于，所述对训练集图像进行预处理的方法包括：

对训练集的每一张图像按照预设操作进行预处理，得到符合预设标准的输入图像，将图像放入数据集中，用于扩充数据集；

所述预设操作包括但不限于将输入图像依次进行预设尺寸裁剪、gamma校正、预设角度旋转变换、图像模糊处理、添加噪声、镜像翻转等操作。

4.如权利要求1-3之一所述的方法，其特征在于，所述基于扩充后的数据集，在GPU上对深度学习分割网络模型使用反向传播算法进行训练，训练完成后得到学习到海雾的图像特性的模型的方法，包括：

(1)从扩充后的数据集中随机抽取百分比的图像作为训练集，剩余百分比的图像作为验证集；将训练集的图像和标签以预设组为一个batch作为网络输入，使用反向传播算法进行训练，共训练预设数量的epoch；

(2)训练集的输入图像首先经过深度学习分割网络模型U-net的编码器进行特征提取，编码器中每个卷积层生成不同大小的特征图，特征图大小逐层递减；

(3)U-net网络的解码器进行上采样，生成大小逐层递增的特征图，上采样的同时将特征提取的结果和上采样的结果逐层进行特征融合；

(4)再经过两个卷积层，达到最后的heatmap，再用一个1X1的卷积做分类，算出概率比较大的softmax类，作为输入给交叉熵进行反向传播训练；

(5)每个epoch训练结束时，用验证集的图像数据来验证，将loss作为验证误差，来表征模型的泛化能力和调整超参数的依据。

5.如权利要求4所述的方法，其特征在于，所述(4)中分类的方法包括：

使用两个神经元做卷积分成两类，得到最后的两张heatmap，第一张表示的是第一类的得分(即每个像素点对应第一类都有一个得分)，第二张表示第二类的得分heatmap，然后作为softmax函数的输入，算出概率比较大的softmax类，选择它作为输入给交叉熵进行反向传播训练。

6.如权利要求1-5之一所述的方法，其特征在于，还包括：

将用于测试的卫星遥感图像经过预处理后，输入训练后的模型中，模型的输出为海雾在测试卫星遥感图像中的位置图像，该图像即为对海雾区域的预测结果。