[发明专利]一种基于全卷积神经网络的遥感图像云检测方法及装置

说明书

本发明涉及遥感检测领域，具体涉及一种基于全卷积神经网络的遥感图像云检测方法及装置。该方法及装置选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；构建SP‑HRNet网络模型，网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；使用网络参数模型进行遥感图像云检测。该方法及装置能够一直保持多个分辨率的子网络，这样使得在对图像进行特征提取过程中信息不会被丢失，同时加深网络深度，结合深度可分离卷积，提高网络对特征的提取能力，丰富检测结果的细节信息，提高云检测的精度。

技术领域

本发明涉及遥感检测领域，具体而言，涉及一种基于全卷积神经网络的遥感图像云检测方法及装置。

背景技术

根据国际卫星云气候计划ISCCP提供的全球云量数据显示，云覆盖了全球60％以上的地球表面。因此遥感影像在成像过程中极其容易受到云层的遮挡，导致原物地物光谱失真，对影像的信息提取造成很大的影响。目前已有的云检测方法大致可以概括为光谱阈值法、空间纹理分析法、模式识别检测法以及机器学习方法等。基于光谱阈值的云检测方法是研究历史最久远的方法，主要通过提取每个像素的各种光谱特征，然后使用一个或多个阈值确定云掩膜。这种方法一般具有计算简单的特点，但是它是依据某些光谱谱段的数据进行检测，所以一般仅局限于特定的遥感数据，普适性较差。基于空间纹理的云检测方法主要是利用了像素空间信息的相互关系进行云检测，其对不同传感器的适应性优于光谱阈值法。然而云的形态特征多种多样，在下垫面和似云地物的干扰下，如何选取合适的纹理特征以便得到较高的提取精度依然存在很大的困难。模式识别法依赖正确的训练数据集和特征的组合来确定方法的性能优劣。基于机器学习的云检测方法通常将云层视为一种地表覆盖类型，并通过已有的样本数据集综合光谱、空间特征，构建特定的分类器，进行云层的分类识别提取。虽然机器学习的云检测方法可以进一步提高云检测的精度，但是此类算法存在训练分类器耗时、费力、难以满足海量影像数据自动提取等缺陷。

近年来，随着深度学习在图像处理领域取得成功，深度学习卷积神经网络作为专门为图像处理与计算机视觉所设计的网络，其性能已在大量实验中超越了传统图像方法。Xie等人将卷积神经网络良好的分类能力应用于遥感影像云分类，取得了很好的检测效果，但是基于神经网络的分类也有局限性，最后只能输出一个分类结果无法做到对每一个像素点进行分类。2015年提出的第一个基于卷积神经网络修改的语义分割网络FCN克服了这个难题，将用于分类的卷积神经网络的全连接层换为卷积层，可适应任意尺寸输入，能够做到每一个像素点进行分类。之后这一网络架构广泛用于遥感图像分类。但是目前应用于云检测的卷积神经网络结构在下采样过程中会丢失空间信息，造成在上采样恢复图像分辨率时信息无法恢复检测结果不准确。2019年提出的语义分割卷积神经网络HRNet(HighResolution Net)为这一问题提供了解决思路，HRNet保持有多个分辨率的子网络，并且在网络提取特征过程中，各个子网络之间可以进行信息融合，这样减少了信息的丢失，但HRNet网络仅使用了三层的下采样层，使得网络对图像特征提取能力不足，造成检测结果不准确。

基于FCN网络架构的全卷积神经网络的云检测方法，在对图像下采样提取特征的过程中会丢失空间信息，造成上采样恢复图像分辨率时信息无法恢复，得到的检测结果不精确。其缺点主要是卷积神经网络在对图像进行特征提取过程中进行池化操作或者其他下采样操作图像分辨率大小会不断减小，造成信息在这一过程中不断丢失，而网络在恢复图像分辨率时丢失的信息无法完全恢复造成最后得出的检测结果不准确。

发明内容

本发明实施例提供了一种基于全卷积神经网络的遥感图像云检测方法及装置，以至少解决现有云检测方法检测准确度低的技术问题。

根据本发明的一实施例，提供了一种基于全卷积神经网络的遥感图像云检测方法，包括以下步骤：

选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；