[发明专利]一种众源地理信息辅助下的多源遥感影像云检测方法

说明书

本发明公开了一种众源地理信息驱动的多源遥感影像云检测方法，特别应用高亮地表要素场景下的遥感影像云检测。该方法包括众源地理信息编码器、多尺度卷积的空‑谱和众源地理信息联合提取模型以及空‑谱和众源地理信息的多尺度融合模型构成。首先采用众源地理信息编码器对众源地理数据进行栅格化处理；其次，采用多尺度卷积的空‑谱和众源地理信息联合提取模型分别从地理数据和遥感数据提取多尺度的云层上下文语义信息和空‑谱信息；最后，利用采用Softmax分类器对云层特征分数图进行分类，进而完成最终云检测。本发明方法通过充分利用空间信息、光谱信息、众源地理信息的之间互补性，提升云与地物背景可分性，进而有助于高亮地表区域的云检测精度。

技术领域

本发明涉及对地观测和人工智能领域，具体涉及一种众源地理信息辅助下的多源遥感影像云检测方法。

背景技术

光学遥感卫星在成像过程易受云层遮挡，直接导致光学遥感卫星对地观测产生空间不连续，同时严重影响遥感影像后续解译与应用。因此，云检测是光学遥感影像云去除关键步骤之一。在光学遥感大数据背景下，云检测不仅是遥感影像进行后续云去除、分类和解译的首要关键问题，也是生产时空无缝遥感产品的基础和核心步骤。

如何智能化提取具有多层级(低-中-高)的云层特征一直是云检测研究领域的重要问题。针对如何深度提取云层的辨识性特征的问题，国内外众多学者开展了深入的研究。基于浅层机器学习的云检测方法主要利用SVM、ANN、K-means、朴素贝叶斯等算法来提取浅层云特征，但是难以提取云的高层次语义特征。随着深度学习模型快速发展，特别是卷积神经网络具有强大特征自学习的能力，在遥感影像解译任务被广泛应用，同时也被广泛用于云检测研究(Xia等,2021；Yuan等,2021)。

目前基于深度学习的云检测方法主要有FCN方法、CNN方法、多尺度卷积特征融合方法、MCNN方法等。例如，Mohajerani等人利用FCN模型对Landsat-8影像进行云检测；Li等人提出MSCFF云检测，并实现在多传感器遥感影像的云检测。这些深度学习方法将云检测问题转化为图像二分类的问题，通过强大特征自学习的能力，对云层的特征自动提取与分类，最后完成光学遥感影像的云检测。虽然当前深度学习云检测方法能获取较高精度，但是云检测结果往往不够细化(云边界模糊)。这是由于在特征提取过程由一系列的卷积核和池化操作，在这个过程中会丢失很多空间细节特征。

在复杂城市场景下，由于云层在光学遥感影像中形态各异、关系复杂和分布不一，这给光学遥感的云检测带来巨大困难。当前深度学习云检测方法主要以影像波段自身的反射率为输入数据，忽略了地理数据的辅助信息，比如高程、成像时间和地理位置等地理信息。然而，地理大数据蕴含丰富高层次语义信息和上下文信息，这些高层语义和上下文信息可以辅助云检测任务，同时消除低层次光谱特征和中层结构特征不全带来的语义鸿沟。因此，本发明发展了一种众源地理信息辅助下的多源遥感影像云检测方法。

发明内容

本发明在以上研究的基础上，提出了一种众源地理信息辅助下的多源遥感影像云检测方法，为光学遥感大数据云检测提供了一种可行的方法。

本发明提供一种众源地理信息辅助下的多源遥感影像云检测方法，包括以下步骤：

步骤1，首先利用众源地理信息编码器对处理来源多样的地理数据，并生成深度神经网络模型可读取栅格图像；

步骤2，分别构建光谱-空间信息提取网络和众源地理信息提取网络；

步骤3，其次，采用光谱-空间信息提取网络来提取云的光谱和空间信息。众源地理信息提取网络来提取云的上下文信息，并生成粗云特征分数图，进而提升云与背景可分性；

步骤4，采用多模态信息融合模块对粗云特征分数图进行细化；

步骤5，最后，采用Softmax分类器对最终云层特征分数图进行分类，进而完成最终云检测。