[发明专利]一种基于高分辨率遥感影像的自动云检测方法

说明书

本发明公开了一种基于高分辨率遥感影像的自动云检测方法，涉及遥感图像云层检测技术领域，解决了现有方案在对高分遥感影像进行云层分割过程中，出现薄云、碎云漏检的技术问题；流程包括：影像数据获取和图像预处理，构建人工智能模型，训练获取云层分割模型，将待处理影像输入至云层分割模型获取云识别结果；本发明采用双注意力机制改变云区域的权重，通过引入注意力机制在特征的通道维度和空间维度分别抓取特征之间的全局依赖关系，从空间维度和通道维度改变特征图权重，能够提取出云层在遥感图像上所具有的特征信息，提高了对薄云和碎云的检测精度，以此来获得更好的云检测结果。

技术领域

本发明属于遥感图像云层检测领域，涉及自动云检测技术，具体是一种基于高分辨率遥感影像的自动云检测方法。

背景技术

当研究遥感图像时，云层的存在会遮盖遥感影像大部分信息，并对云层周围的地表信息产生影响。传统的依靠遥感影像的云层提取工作，大多都是基于阈值法，但由于高分影像波段较少，阈值难以确定。

高分辨率遥感影像上的云层，薄云光谱特征易受下垫面影响，没有特定的光谱特征，其纹理特征也不明显。传统的阈值法通常利用云层的光谱特征、温度特征等设定阈值进行提取，其包括多光谱阈值法、多通道阈值法以及基于云纹理与空间特征法等。多光谱阈值法利用云在不同光谱条件下所呈现的特点来设定阈值进行提取；多通道阈值法则是通过不同通道的值来进行组合设定阈值进行云层的提取；空间特征法的依据信息为遥感影像的空间信息，以上算法设计简单，但是当遥感影像中有与云层光谱特征、亮度特征的较为相似的地物时，难以达到较好的效果。

随着深度学习的发展，结合卷积神经网络的语义分割算法得到了广泛的应用，该类方法具有较好的提取精度，有效地改善了利用传统方法进行云层分割的不足。现有基于卷积神经网络的云层分割算法通过深入挖掘影像的深层语义信息，来获取最终的云层分割结果。普通的语义分割网络进行云层分割通常会出现薄云、碎云的漏检现象；因此，亟需一种高精度的语义分割算法实现自动云层分割。

发明内容

本发明提供了一种基于高分辨率遥感影像的自动云检测方法，用于解决现有方案在对高分遥感影像进行云层分割过程中，出现薄云、碎云漏检的技术问题，本发明通过设计通道注意力模块、空间注意力模块调整神经网络的权重解决了上述问题，获取更加精细的云层检测和分割结果。

本发明的目的可以通过以下技术方案实现：一种基于高分辨率遥感影像的自动云检测方法，包括：

从数据库中获取高分辨卫星的影像数据，对影像数据进行标记，获取训练数据；其中，所述训练数据包括训练集和测试集；

构建人工智能模型；构建的所述人工智能模型包括信息提取层；其中，所述人工智能模型至少包括U-Net神经网络；

通过训练数据对人工智能模型进行训练和测试，将完成训练和测试的人工智能模型标记为云层分割模型；

将待处理影像输入至云层分割模型，获取云层检测结果。

优选的，将所述训练数据按照设定比例划分为训练集和测试集，且所述训练数据的数量不低于1000；其中，所述设定比例包括1:1、2:1和3:1。

优选的，所述人工智能模型依次包括编码层、信息提取层和解码层，所述信息提取层包括通道注意力模块和空间注意力模块。

优选的，所述通道注意力模块的工作步骤具体包括：

获取特征图A1，将特征图A1进行重采样获取特征图A2，对特征图A2进行转置处理获取特征图A3；

将特征图A2和特征图A3通过矩阵乘法相乘，将相乘结果经过概率化处理后标记为通道注意力图T；其中，所述概率化处理的实现方法包括softmax函数；

将通道注意力图T与特征图A1通过矩阵乘法相乘后再乘以尺度因子，经过重采样后获取特征图A4，将特征图A4与特征图A1相加获取输出矩阵E1；其中，特征图A1和特征图A4的分辨率相同。