[发明专利]一种基于双分支网络模型的云检测方法

说明书

本申请涉及遥感图像处理技术领域，提出了一种基于双分支网络模型的云检测方法，包括以下步骤：构建云检测数据集并设计TransDiffNet云检测模型；基于TransDiffNet云检测模型预测，输入遥感影像表观反射率和差异特征，获得遥感影像云检测结果，本方案弥补纯卷积神经网络（Convolutional Neural Network,CNN）结构获取全局信息的缺失和纯Transformer结构捕获空间细节特征的不足，减少云与明亮地表特征的混淆以及薄云遗漏，提高云检测精度。

技术领域

本发明涉及遥感图像处理技术领域，特别涉及一种基于双分支网络模型的云检测方法。

背景技术

云是大气系统的重要组成成分，也是卫星对地监测的重要影响因素。遥感影像中云的存在直接影响了地表信息的获取，降低了数据的利用率，并且造成了后续定量遥感参数估计得偏差，因此云检测是遥感影像处理中的重要步骤。

 针对遥感影像云检测，研究学者们已经开展了大量研究。目前，云检测方法主要分为：基于物理规则的方法、基于多时相的方法和基于机器学习的方法。近年来，深度学习，作为机器学习的延伸，已经在目标检测、图像分类和语义分割等任务中取得了突破性进展。凭借深度特征挖掘和强大的特征表示能力，深度学习在遥感影像云检测研究中也取得了出色表现。基于深度学习的云检测方法通常利用卷积神经网络结构进行云和非云特征的学习和模型训练。RS-Net, SegCloud, SAGAN, DABNet, and WDCDNet等网络被设计用于云检测（RS-Net, SegCloud, SAGAN, DABNet, and WDCDNet是基于深度学习的云检测方法）。由于卷积运算中感受野的限制，纯卷积网络结构只能提取图像的局部特征，无法充分利用影像上下文信息进行特征捕获，因此在建模全局上下文方面仍然受到限制。为了缓解全局信息的损失，注意力机制被引入云检测研究以提高云检测精度。Transformer 结构（ransformer是一种自注意力机制结构），完全依赖注意力机制来绘制输入和输出之间的全局依赖关系，被应用于图像分割等领域。纯粹的Transformer结构将输入视为一维序列，并专注于在所有阶段对全局上下文进行建模，因而缺乏详细定位信息的低分辨率特征，并且这些信息不能通过直接上采样到完整分辨率来有效地恢复，因此会生成粗略的分割结果。CNN 架构提供了一种提取低级视觉线索的途径，可以很好地弥补这些精细的空间细节。

因此，结合CNN和Transformer的混合网络可以弥补二者的缺点，提升云检测精度。明亮地表环境中云的准确识别是遥感影像云检测领域不断探索的难点。颜色、高反射率属性是云检测的主要依据，而高亮地表特征具有与云相似的亮白色和高反射率，是云与明亮特征难以区分的主要原因。单纯的利用深度神经网络提取光谱和空间特征难以有效区分复杂场景中的云与明亮地表，比如大范围冰雪覆盖区域、城镇区域以及山体滑坡灾害区域。由于单一时相卫星影像提供的信息相对有限，缺乏准确的地表信息阻碍了云和复杂地表之间的有效区分。在一定的时间范围内，地表的变化是相对平稳的，而由云覆盖引起的地表反射率变化是突变的。多时相影像信息差异对准确识别影像中云和地表具有重要作用，特别是云与明亮地表。差异信息和深度学习的结合将从光谱、空间和时间信息为遥感影像云检测的提供一种有前景的方法。

为了解决上述问题，提出一种基于双分支网络模型的云检测方法。

发明内容

本发明实施例提供了一种基于双分支网络模型的云检测方法，弥补纯CNN网络结构获取全局信息的缺失和纯Transformer结构捕获空间细节特征的不足；减少云与明亮地表特征的混淆以及薄云遗漏，提高云检测精度。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。