[发明专利]基于多尺度特征融合网络的遥感影像云与云阴影检测方法

权利要求书

1.一种基于多尺度特征融合网络的遥感影像云与云阴影检测方法，其特征在于，包括如下步骤：

S10，构建包括多个遥感影像图片的训练集，制作训练集的遥感影像图片中各个像素点的标签，使标签形成与遥感影像图片对应的掩模图像，将掩模图像和遥感影像图片输入监督网络进行训练；

S20，在监督网络的代价函数损失收敛、趋于平稳，且训练集的各项指标均取得最高值时，经过50个epoch保存最优模型并自动停止训练，得到检测模型；所述各项指标包括准确率和平均交并比；

准确率包括：

平均交并比包括：

其中，Accuracy表示准确率，mIoU表示平均交并比，C_CC表示正确检测为云像元的个数，C_NC表示非云像元误检测为云像元的个数，C_NN表示正确检测为非云像元的个数；

S30，采用检测模型测试集中的待测图像进行云与云阴影检测；

其中，所述监督网络包括防止网络退化的Res.block模块，增大网络感受野的多尺度卷积模块，和提取不同尺度信息的多尺度特征模块；所述Res.block模块中，在3×3的卷积前后各增加一个1×1的卷积；所述多尺度卷积模块包括3个卷积核，各个卷积核大小分别为1×1、3×3与5×5，各个卷积核使用的扩张率分别为1、2和4；所述多尺度特征模块通过四个并联的平均池化进行下采样，获得的特征图大小分别为8×8、6×6、2×2和1×1，之后通过双线性插值的方法将池化后的特征图上采样为相同的大小；

多特征融合分割网络总体框架包括四个Res.block模块、四个多尺度卷积模块、一个多尺度特征模块和解码器四部分组成；网络的输入为256×256×N的Landsat8遥感影像；提取图像特征时使用步长为1、大小为3×3与1×1的两种卷积核，且在每个卷积后使用激活函数ReLU；编码器的最后一层输入多尺度特征模块将经过多尺度特征模块内的四个下采样特征再分别通过1×1的卷积进行降维到输入多尺度特征模块时的1/4,之后通过双线性插值的方法进行上采样，使得四个特征映射图大小相同，之后将最后一个Res.block模块的输出与多尺度特征模块的输出特征图进行特征融合，以此获得多尺度上下文信息；每个Res.block模块的输出经过一个多尺度卷积模块以获得多尺度卷积后的特征；编码器模块获的得特征图通过双线性插值进行上采样后再通过一个1×1的卷积进行降维，之后与多尺度卷积模块的输出特征进行特征融合；将解码器各层的输出通过丰富的跳跃连接进行特征融合，融合后的特征输入分类器进行分类。

2.根据权利要求1所述的基于多尺度特征融合网络的遥感影像云与云阴影检测方法，其特征在于，所述监督网络在训练时的实验参数包括：学习率为0.0001，批量大小为8，第一动量大小β₁＝0.9和第二动量大小β₂＝0.999，学习率设置为0.0001，最小学习率设置为0.0000001。

3.根据权利要求1所述的基于多尺度特征融合网络的遥感影像云与云阴影检测方法，其特征在于，所述监督网络在训练过程中，将编码器提取的信息通过各个卷积核得到多个的采样特征，将多个的采样特征与解码器进行特征融合，采用各个卷积核提取融合后的特征。

4.根据权利要求1至3任一项所述的基于多尺度特征融合网络的遥感影像云与云阴影检测方法，其特征在于，还包括：

获取检测模型各个待测图像进行检测过程中产生的平均交并比、精确率、召回率、准确率与调和均值，根据平均交并比、精确率、召回率、准确率与调和均值确定检测模型的检测性能。

5.根据权利要求4所述的基于多尺度特征融合网络的遥感影像云与云阴影检测方法，其特征在于：

所述精确率包括：

所述召回率包括：

所述调和均值包括：

其中，C_CC表示正确检测为云像元的个数，C_NC表示非云像元误检测为云像元的个数，C_NN表示正确检测为非云像元的个数，Precison表示精确率，Recall表示召回率，F_1score表示调和均值。