[发明专利]基于通道注意力及概率上采样的遥感图像云检测方法

说明书

本发明提出了一种基于通道注意力及概率上采样的遥感图像云检测方法，实现步骤为：获取训练样本集和测试样本集；构建基于通道注意力及概率上采样的遥感图像云检测网络；对遥感图像云检测网络进行迭代训练；获取遥感图像云检测结果。本发明利用通道注意力模块提取浅层特征的空间纹理信息，并拼接至深层特征；同时采用概率上采样模块使得特征边缘信息更加连续，解决了薄云区域及云边界区域检测不准确的问题，提高了云检测精度。

技术领域

本发明属于图像处理技术领域，涉及一种遥感图像云检测方法，具体涉及一种基于注意力机制以及概率上采样的深度学习遥感图像云检测方法，可用于对遥感图像进行云的分类、剔除。

背景技术

遥感图像通常指代记录各种地物电磁波大小的胶片或照片，相比于普通图像，其具有较好的空间分辨率，包含的细节信息更多，因此遥感图像已经广泛应用于多个领域，比如：军事、农业监测、水文、城市规划管理和环境保护等等方面，然而遥感图像存在着一些待解决问题，在诸多的问题中，由云遮挡造成的传输图像的不准确性尤为突出。根据国际卫星云气候计划ISCCP(International Satellite Cloud Climatology Project)提供的全球云量数据显示，全球有超过60％以上的区域常常被云覆盖。所以在遥感卫星获取的卫星图像中，因为云的存在导致很难获取到准确的下垫面。从而影响到遥感图像在诸多领域，如目标识别，农业检测等的应用，在很大程度上阻碍了遥感事业的进一步发展。所以，通过一些技术检测到云遮挡对于改善遥感图像质量具有重要的意义。

传统上，云检测的研究方法主要是多波段阈值和纹理分析等方法。多波段阈值法通常是利用云在不同波段与地物表现出来的差异性，进行云与地物的区分，例如通过近红外通道利用云的高反射和低温性进行云与地物的区分；而纹理分析通常是将云图像转换至不同的颜色空间进行纹理特征的提取，进而实现有效的云与地物分离；这些传统方法通常会花费大量时间去调参以及选取阈值，并且检测精度较低；同时，在特定区域，如薄云区或云的边界区域，由于与地物有较大相似度，同样多波段阈值法与纹理分析法很难做出有效的云与地物分离。

近年来，深度卷积神经网络在计算机视觉领域取得了巨大的成功。通过其强大的特征表达能力，使其成为图像处理多领域的主要研究方法，相较于传统云检测方法，现有的卷积神经网络云检测算法性能虽大幅提升，但在一些关键区域，如薄云、云边界区域，仍然表现出较差的检测性能。这些区域由于特征不太明显集中或云与地物相似度太高，导致算法难以有效的进行云与地物的区分。例如，申请公布号为CN110598600A，名称为“一种基于UNET神经网络的遥感图像云检测方法”的专利申请，公开了一种用于遥感图像云检测的卷积神经网络算法，利用编解码网络下采样提取云的深层特征，并通过跳跃连接将编码段的浅层特征与解码端进行融合，实现了高效的云检测方法，从而提高了检测精度，加强了算法的普适性。但是该算法并未对薄云区以及云边界区域进行过多的关注，因此，得到的检测结果并不十分准确。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于通道注意力及概率上采样的遥感图像云检测方法，用于解决现有技术中存在的云检测精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练样本集和测试样本集：

从数据集中获取K幅带有标签且含有云区域的遥感图像P＝{(P₁,L₁),(P₂,L₂),…,(P_k,L_k),…,(P_K,L_K)}，并将从P中随机选取的M幅遥感图像及其标签组成训练样本集将其余的N幅遥感图像及其标签组成测试样本集其中，K≥10000，P_k表示第k幅遥感图像，L_k表示P_k的标签，表示第m幅训练图像，表示的标签，表示第k幅测试图像，表示的标签，K＝M+N；