[发明专利]一种遥感影像中的云和阴影检测方法及系统

权利要求书

1.一种遥感影像中的云和阴影检测方法，其特征在于，包括：

获取测试遥感影像数据集；

将所述测试遥感影像数据集输入深度学习云检测模型中，得到云和阴影分布数据；所述深度学习云检测模型是通过训练样本集对深度卷积神经网络进行训练得到的；

所述训练样本集的获取方法为：

获取同一地区的云和云影遥感影像样本集和标记数据集；

根据所述标记数据集中阴影的标记范围进行膨胀，并采用膨胀后得到的阴影区域对所述遥感影像样本集进行样本增强，得到所述训练样本集；

所述采用膨胀后得到的阴影区域与所述遥感影像样本集进行样本增强，得到所述训练样本集，包括：

将所述遥感影像样本集中与所述阴影区域对应的区域确定为目标区域；

将所述阴影区域与所述目标区域合并，得到第一数据集；

对所述第一数据集进行扩充，得到第二数据集；

对所述第二数据集中的所有图像瓦片数据进行随机线性扰动，得到所述训练样本集。

2.根据权利要求1所述的遥感影像中的云和阴影检测方法，其特征在于，所述将所述阴影区域与所述目标区域合并，得到第一数据集，包括：

将所述目标区域中无云干扰的区域进行删除，得到第一区域；

将所述阴影区域与所述第一区域进行合并，得到第一数据集。

3.根据权利要求1所述的遥感影像中的云和阴影检测方法，其特征在于，所述对所述第一数据集进行扩充，包括：

将所述第一数据集中的图片数据裁切为像元尺寸相同的多个图像瓦片数据；

若所述图像瓦片数据中包含云或阴影，则将所述图像瓦片数据进行平移、旋转或复制。

4.根据权利要求1所述的遥感影像中的云和阴影检测方法，其特征在于，对所述第二数据集中的所有图像瓦片数据进行随机线性扰动，包括：

对所述第二数据集中的各图像瓦片数据均按照y＝kx+b的方式进行四次独立的随机扰动；

其中，y为扰动增强后的图像瓦片数据，x为所述图像瓦片数据，k为第一随机参数，b为第二随机参数。

5.根据权利要求4所述的遥感影像中的云和阴影检测方法，其特征在于，所述第一随机参数的取值范围为[1,1.5]，所述第二随机参数的取值范围为[0,0.05]。

6.根据权利要求1所述的遥感影像中的云和阴影检测方法，其特征在于，所述深度学习云检测模型的确定方法为：

将所述训练样本集中的所有图像瓦片数据按照类别比例等分为多个区间；

通过随机分层抽样的方法从多个所述区间中轮流抽出所述图像瓦片数据；

将抽出到的所述图像瓦片数据输入所述深度卷积神经网络，并采用UNet架构对各迭代次数下的所述深度卷积神经网络的精度进行计算，若达到预设精度阈值，则停止迭代，并将达到预设精度阈值的深度卷积神经网络确定为所述深度学习云检测模型，若未达到所述预设精度阈值，则继续进行训练迭代。

7.一种遥感影像中的云和阴影检测系统，其特征在于，包括：

获取单元，用于获取测试遥感影像数据集；

测试单元，用于将所述测试遥感影像数据集输入深度学习云检测模型中，得到云和阴影分布数据；所述深度学习云检测模型是通过训练样本集对深度卷积神经网络进行训练得到的；

训练集获取单元，用于获取所述训练样本集；所述训练集获取单元，具体包括：

数据集获取单元，用于获取同一地区的云和云影遥感影像样本集和标记数据集；

样本增强单元，用于根据所述标记数据集中阴影的标记范围进行膨胀，并采用膨胀后得到的阴影区域对所述遥感影像样本集进行样本增强，得到所述训练样本集；

所述样本增强单元包括：

确定单元，用于将所述遥感影像样本集中与所述阴影区域对应的区域确定为目标区域；

合并单元，用于将所述阴影区域与所述目标区域合并，得到第一数据集；

扩充单元，用于对所述第一数据集进行扩充，得到第二数据集；

扰动单元，用于对所述第二数据集中的所有图像瓦片数据进行随机线性扰动，得到所述训练样本集。

8.根据权利要求7所述的遥感影像中的云和阴影检测系统，其特征在于，所述扩充单元包括：

裁切子单元，用于将所述第一数据集中的图片数据裁切为像元尺寸相同的多个图像瓦片数据；

扩充子单元，用于若所述图像瓦片数据中包含云或阴影，则将所述图像瓦片数据进行平移、旋转或复制。