[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

说明书

本发明公开了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，通过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，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，采用检测模型测试集中的待测图像进行云与云阴影检测，以快速高效地对待测图像中的云与云阴影进行相应检测，可以提高相应检测结果的准确性。

技术领域

本发明涉及深度学习和图像识别技术领域，尤其涉及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。

背景技术

近年来，随着遥感技术的快速发展，各类遥感卫星影像所包含的信息越来越丰富，在农业生产、自然灾害预测、军事科技、地理测绘、变化检测、水利交通等领域应用得越来越广泛。云和云影模糊了光学遥感传感器的光谱信息，不利于对地面物体进行观测；此外，长期的观测和实践表明，云的产生和消散以及各类云之间的演变和转化，都是在一定的水汽条件和大气运动的条件下进行的。云的生消演变中可以看到水汽和大气运动的一举一动，从而云与各种天气现象的发生有着密不可分的联系。因此，遥感图像中的云的和云阴影的检测对诸多领域的研究有十分重要的意义。目前，多种云检测方法已经被提出，这些方法主要可以分为两类:基于多图像的方法和基于单图像的方法。基于多图像的方法需要在相同的背景下在不同的时间拍摄一组图像，并要求在短时间内获得更多的图像，以确保地下地面不会发生太大的变化，此过程中清晰的参考图像获得具有很大难度。对于单图像的检测方法而言，早期的云检测方法主要基于阈值，通过提取每个像素的各种光谱特征，然后使用几个阈值来确定云像素。基于阈值的云检测方法通常只利用低层次的光谱信息，而忽略了空间信息，由于对下垫面的敏感性和云覆盖范围的敏感性，在不同的成像条件下，云检测效果并不好；随着大数据及机器学习技术的快速发展，云检测中这种复杂性工作可由计算机来实现，可大大节省劳动成本，于是基于机器学习的云检测方法应用得越来越广泛。如Xu等人用决策树提取云边界。Hu等人将计算机视觉与随机森林算法相结合，得到了云覆盖影像图。总的来说，机器学习方法比阈值方法得到更精确的云检测结果。但是，在这些基于机器学习的方法中，都使用了手工制作的特性和简单的分类器，没有利用语义级别的信息。这些人工设计的特征依赖于专家的先验知识和传感器，很难准确地分割具有复杂下垫面的云的特征，其检测性能主要依赖于手工特征的选择。

近来，深度神经网络在诸多领域取得了快速进展，其强大的分割能力得到了广泛的认可，基于深度学习的云检测方法也引起了人们的关注。Shi与S等利用超像素分割和全卷积神经网络(FCNN)对Quickbird、谷歌地球图像和Landsat8图像中的云进行检测。Chai等使用一种自适应的SegNet来检测Landsat图像中的云和云影。Sorour等使用了全卷积神经网络(FCN)进行云检测,此算法包括用于冰雪检索的预处理阈值化步骤，并使用现有的landsat8云掩码作为改善性能的前提。Xu等使用深度残差网络对遥感图像中的云和云影进行检测。Wu等利用深度卷积神经网络中获取云概率图，再通过复合图像滤波技术得到细化的高分一号云掩模。传统技术仅使用光谱特征很难将云与一些明亮的地物(如雪、白色建筑物)区分开来，因而容易导致遥感影像中云与云阴影的检测准确性低。

发明内容

针对以上问题，本发明提出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。

为实现本发明的目的，提供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，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；