[发明专利]一种多尺度特征融合和对齐的域自适应云检测方法

说明书

本发明涉及一种多尺度特征融合和对齐的域自适应云检测方法，所述方法包括以下步骤：多尺度特征融合和对齐的域自适应云检测准备工作、构建与训练多尺度特征融合和对齐的域自适应云检测模型、对多尺度特征融合和对齐的域自适应云检测模型测试和求解。与现有技术相比，通过构建多尺度特征融合和对齐的域自适应网络，及提出的多尺度特征融合模块和特征对齐模块。与现有云检测技术相比，本发明解决了现有云检测技术对于碎云及边界检测困难，并且使云检测网络生成源和目标域数据集的域不变特征，从而解决由于域差异导致的难以将源训练模型推广至目标数据集的问题。

技术领域

本发明涉及光学遥感影像处理技术领域，具体来说是一种多尺度特征融合和对齐的域自适应云检测方法。

背景技术

云是大气中的自然现象，常出现在光学卫星获取的遥感影像中。在气象领域，云检测作为反演大气及地表各种参数的预处理工作，它的分布直接影响到其他参数的反演结果。由于云是重要的气象和气候要素之一，通过云的分布不但可以帮助发现危险的气候现象，如暴雨、飓风及龙卷风，还可以跟踪气象条件的变化；而对于地表观测任务，由于60％的地球表面被云层覆盖，获取的光学遥感图像经常受到云层的污染，造成原始物体的光谱失真，影响遥感影像和产品的判读，干扰信息提取。因此，通过云检测提高遥感图像质量至关重要。

云检测旨在识别和区分遥感图像中的云像素和无云像素。大多数现有的深度模型(尤其是深度神经网络)由固定尺度的感受野构成的，能够检测大多数具有大规模边界的云，很难处理具有不稳定边界尺度的云，比如往往忽略小尺寸的云。而且云场景的多样性和云的多变性使云检测面临着一些挑战。对于在不均匀土地上充满破碎薄云的高度混合场景的复杂现象，很难检测并分割不同尺度和大小的碎云和边界。此外，云的形状随着环境的变化而急剧变化，使得复杂的云边界更难捕捉。

此外，目前大多数基于卷积神经网络(CNN)的云检测方法都建立在需要大量像素级标签的监督学习框架上。然而，为海量遥感图像手动注释像素标签既昂贵又耗时。针对此提出的将源卫星标记图像上训练的模型推广到目标卫星的未标记图像的无监督域自适应(UDA)方法虽然能解决无大量用于训练的标签问题，但仍存在域自适应中跨卫星图像的域偏移现象。

发明内容

本发明的目的是为了解决现有技术中跨卫星图像的云检测出现域偏移以及对于碎云和云边界的检测的缺陷，提供一种多尺度特征融合和对齐的域自适应云检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种多尺度特征融合和对齐的域自适应云检测方法，包括以下步骤：

11)多尺度特征融合和对齐的域自适应云检测准备工作：对源域遥感卫星影像和目标域遥感卫星影像根据含云量分类，按一定比例挑选各个百分比的影像数据；对源域遥感卫星影像和目标域遥感卫星影像进行波段合并、裁剪等预处理；对源域遥感卫星影像标签进行归一化预处理；

12)构建与训练多尺度特征融合和对齐的域自适应云检测模型：构建多尺度特征融合和对齐的域自适应云检测模型，将预处理后的遥感卫星影像以及标签输入多尺度特征融合和对齐的域自适应云检测模型中进行训练，得到训练好的多尺度特征融合和对齐的域自适应云检测模型；

13)对多尺度特征融合和对齐的域自适应云检测模型测试和求解：将未被大量标记的目标域遥感卫星影像输入到训练好的多尺度特征融合和对齐的域自适应云检测模型中进行测试并得到云检测预测分割结果。

所述多尺度特征融合和对齐的域自适应云检测准备工作包括以下步骤：

21)将源域遥感卫星影像和目标域遥感卫星影像的B4、B3、B2波段合并预处理为RGB三通道影像；

22)将源域遥感卫星影像及标签和目标域遥感卫星影像进行不重叠裁剪，裁剪为321×321的固定大小；