[发明专利]基于级联颜色及纹理特征注意力的遥感图像云检测方法

权利要求书

1.一种基于级联颜色及纹理特征注意力的遥感图像云检测方法，其特征在于，构建并训练基于级联颜色及纹理特征注意力的遥感图像云检测网络；该检测方法的步骤包括如下：

步骤1，生成训练集：

(1a)选取至少50张含有云的遥感图像，其中每张遥感图像的尺寸为512×512，每张遥感图像中至少包含1个云区域；

(1b)标注每张遥感图像中的云区域，并生成标注后每个遥感图像对应的标签文件；

(1c)将所有遥感图像及其对应的标签文件组成训练集；

步骤2，构建基于级联颜色及纹理特征注意力的遥感图像云检测网络：

(2a)构建颜色特征注意力模块：

构建一个用于增强颜色特征的颜色特征注意力模块，其结构依次为：第1输入层，池化层组，第1通道拼接层，膨胀卷积层组，第2通道拼接层，第1卷积层，激活层，乘法层，第2卷积层，加法层，第3卷积层以及输出层；

其中，池化层组由并联的全局最大池化层和全局平均池化层组成，膨胀卷积层组由并联的第1膨胀卷积层、第2膨胀卷积层和第3膨胀卷积层组成，此外，乘法层还与第2输入层相连，加法层还与第2输入层相连；

设置颜色特征注意力模块各层参数如下：第1至3膨胀卷积层的膨胀率分别设置为1、3、5，3个膨胀卷积和第1至3卷积层的卷积核大小均设置为3×3，激活层使用Sigmoid函数；

(2b)构建分别构建：

构建一个用于增强细节纹理特征的纹理特征注意力模块，其结构依次为：第1输入层，池化层组，第1通道拼接层，膨胀卷积层组，第2通道拼接层，第1卷积层，激活层，乘法层，第2卷积层，减法层，第3卷积层以及输出层；

其中，池化层组由并联的全局最大池化层和全局平均池化层组成，膨胀卷积层组由并联的第1膨胀卷积层、第2膨胀卷积层和第3膨胀卷积层组成，此外，乘法层还与第2输入层相连，减法层还与第2输入层相连；

设置纹理特征注意力模块各层参数如下：第1至3膨胀卷积层的膨胀率分别设置为1、3、5，第1至3膨胀卷积层和第1至3卷积层的卷积核大小均设置为3×3，激活层使用Sigmoid函数；

(2c)构建颜色特征提取子网：

构建一个用于提取颜色特征的颜色特征提取子网，其结构依次为：暗通道先验层，第1卷积层，第1下采样层，第2卷积层，第2下采样层，第3卷积层，第3下采样层；

设置颜色特征提取子网各层参数如下：第1至3卷积层的卷积核大小均设置为3×3，通道数分别设置为2、4、8，第1至3下采样层的下采样核大小均设置为2×2；

(2d)构建纹理特征提取子网：

构建一个用于提取纹理特征的纹理特征提取子网，其结构依次为：NSCT层，第1卷积层，第1下采样层，第2卷积层，第2下采样层，第3卷积层，第3下采样层；

设置纹理特征提取子网各层参数如下：将第1至3卷积层的卷积核大小均设置为3×3，通道数分别设置为2、4、8；将第1至3下采样层的下采样核大小均设置为2×2；

(2e)构建编解码子网：

构建一个编解码子网，其结构依次为：输入层，第1尺度变换层，第2尺度变换层，第3尺度变换层，第4尺度变换层，第1卷积层，第1尺度恢复层，第2尺度恢复层，第3尺度恢复层，第4尺度恢复层，第2卷积层，输出层；其中，第1至4尺度变换层的结构均由第1卷积层、通道拼接层、第2卷积层和下采样层串联组成，第1至4尺度恢复层的结构均由上采样层、通道拼接层和卷积层串联组成；第1尺度变换层中的第2卷积层与第4尺度恢复层中的通道拼接层连接，第2尺度变换层中的第2卷积层与第3尺度恢复层中的通道拼接层连接，第3尺度变换层中的第2卷积层与第2尺度恢复层中的通道拼接层连接，第4尺度变换层中的第2卷积层与第1尺度恢复层中的通道拼接层连接；

设置编解码子网各层参数如下：将第1至2卷积层、第1至4尺度变换层中的第1至2卷积层以及第1至4尺度恢复层中的卷积层的卷积核大小均设置为3×3，将第1至4尺度变换层中的下采样层的下采样核大小均设置为2×2，将第1至4尺度恢复层中的上采样层的上采样核大小均设置为2×2；

(2f)将4个相同结构的颜色特征注意力模块、4个相同结构的纹理特征注意力模块、颜色特征提取子网、纹理特征提取子网和编解码子网，以模块嵌入连接方式组成基于级联颜色及纹理特征注意力的云检测网络；

步骤3，训练遥感图像云检测网络：

将训练集输入到遥感图像云检测网络中，采用梯度下降法，对该网络的参数进行迭代更新，直至网络的损失函数的值收敛时为止，得到训练好的遥感图像云检测网络；

步骤4，检测含云的遥感图像：

将待检测的含有云的遥感图像输入到训练好的遥感图像云检测网络中，输出云检测结果。