[发明专利]基于瓶颈注意力模块的遥感图像云检测方法及系统

说明书

本发明提供了一种基于瓶颈注意力模块的遥感图像云检测方法及系统，属于遥感图像处理技术领域。该方法步骤如下：步骤1、获取并处理样本集；步骤2、搭建遥感图像云检测网络框架；步骤3、对遥感图像云检测网络进行迭代训练；步骤4、输出遥感图像云检测预测结果。检测系统包括样本获取模块、网络框架搭建模块、训练模块、输出模块四部分。本发明所构建的遥感图像云检测网络采用一种瓶颈注意力的结构，该结构结合了轻量化卷积，线性逆转残差结构，坐标注意力机制三者各自的优点，主要解决了网络采用轻量化卷积后，导致的特征量减少，精度下降等问题，实现了以低参数量和低运算量的云检测系统，达到更高精度的轻量型在轨云检测效果。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种基于瓶颈注意力模块的遥感图像云检测方法及系统。

背景技术

现代遥感卫星影像在人们的生产、生活中得到了广泛的应用，然而，由于有云层阻隔，卫星遥感中下载的图像中可用地物信息较少，甚至无法使用。随着人工智能的不断发展，基于深度学习的云检测方法在遥感图像云检测技术上取得了新的进展，通过其强大的特征泛化和表达能力，使其成为当前图像处理多领域的主要研究方法。目前遥感云检测主要采用的方法三种，基于规则的云检测方法，基于机器学习的云检测方法，基于深度学习的云检测方法。

基于规则的云检测方法需要根据不同探测器的图像传输技术设置相应的阈值实现云去除或者根据图形学图像处理技术实现云去除，通过设置合理的阈值或者采用多重图像处理过程，通常能够实现较高精度的云检测效果，但是这些方法无疑都需要人为经验和复杂的图像处理过程，因此存在普适性差，复杂高的不足。

基于机器学习的云检测方法，在基于规则的云检测方法结合一些机器学习知识如随机森林，支持向量机，神经网络等方法实现的，这些方法能够进一步提高云检测精度，但是复杂的人为选定特征过程，需要消耗的大量精力和时间，无法满足遥感卫星的在轨云检测效果。

基于深度学习的云检测方法，通常采用高深度，大宽度的卷积神经网络，可以得到一个高精度的遥感图像云检测模型，然而随着网络深度的加深，网络的参数量和运算量量也会随之大幅提升，严重影响了遥感卫星系统的在轨云检测速度和空间占用。因此如何减少网络的运算量和参数量成为了难题。当下轻量型的卷积神经网络主要采用轻量型卷积实现轻量化的效果，但是轻量化卷积由于其特有的卷积过程，导致了网络特征量的减少和精度的大幅度下降，无法实现在轨高精度云检测效果。

发明内容

发明目的：提出一种基于瓶颈注意力模块的遥感图像云检测方法，并进一步提出一种用于实现上述方法的系统，从而有效解决现有技术存在的上述问题。

第一方面，提出一种基于轻量化神经网络的遥感图像云检测方法，该方法步骤如下：

步骤1、获取样本集；

步骤2、搭建遥感图像云检测网络框架；

步骤3、迭代训练；

步骤4、输出预测结果并对比分析。

在第一方面进一步的实施例中，获取样本集的过程进一步包括：

步骤1-1、从中国资源卫星应用卫星下载所需样本集并剔除不含云，含云量过少的样本，将合格的样本通过labelme标签制作软件给每个样本描绘含云区域作为标签，制作总样本集N：

N＝{(I₁,L₁),(I₂,L₂),…,(I_N,L_N)

式中，I_N表示第n幅图像，L_n表示第n幅图像的标签；

步骤1-2、将从遥感图像N中随机选取的n幅遥感图像标签组成训练样本集P：