[发明专利]基于双注意力神经网络的遥感影像云与云阴影检测方法

说明书

本申请涉及一种基于双注意力神经网络的遥感影像云与云阴影检测方法。该方法包括：获取遥感影像数据集，遥感影像数据集中包含了各遥感影像对应的标签信息，标签信息标记了云与云阴影的位置；将遥感影像数据集按预设比例分为训练集和验证集；利用训练集和验证集对有监督的双注意力神经网络模型进行训练和验证，获得云与云阴影检测模型，云与云阴影检测模型由递归残差模块、双注意力模块、改进空洞空间金字塔池化模块、卷积层、上采样层和Concat层组成，获取待检测的遥感影像；将待检测的遥感影像输入至训练好的云与云阴影检测模型中，对待检测的遥感影像中的云和云阴影的位置进行检测，获得云和云阴影的位置检测结果；提高了云与云阴影检测的精度。

技术领域

本申请涉及深度学习技术领域，特别是涉及一种基于双注意力神经网络的遥感影像云与云阴影检测方法。

背景技术

随着遥感技术的快速发展，遥感影像在气象探测、水文监测、军事侦察等领域发挥着越来越重要的作用。地球表面67％的面积被云覆盖，云与云阴影的存在限制了基于卫星遥感影像的地物信息提取能力，严重影响遥感影像的质量和遥感数据的可用性。因此，对云与云阴影检测是遥感影像处理中最关键的一个步骤，同时也为气象、农业和自然灾害预测等领域提供有力的科技保障。

目前，云检测方法可以大致分为基于阈值的检测方法、基于纹理谱及其空间特征的检测方法和基于机器学习的检测方法。基于阈值的检测方法在针对某种特定遥感器时可以展现较好的性能，但该方法对阈值敏感程度较高，忽略较多空间信息，当部分像元被云覆盖时，容易产生误检的情况。Rossow等假设观测辐射只来自云和晴空，将可见光波段6和红外波段11的辐射值进行比较，测试像元辐射值，当像元辐射值大于晴空辐射值时，则说明该像元为云像元。该方法容易产生误判，导致检测结果不准确；基于纹理谱及其空间特征的检测方法关键在选择纹理特征，所选择的特征要精准反映云和下垫面的差异，该方法具有一定的检测效果，但遥感影像中云的种类较多，所以仅利用纹理特征进行云检测，效果提升有限。李超炜等对多光谱影像中云层的亮度、纹理和频率三个特征展开研究，统计云层与下垫面在各个方面的特征差异，根据对结果的分析利用支持向量机进行分类，实现云检测，该方法复杂性较高，容易产生误检。

近年来，随着深度学习在语义分割领域的深入研究，基于深度学习的遥感影像云与云阴影检测方法的应用日益广泛。陈洋等采用主成分分析，进行无监督预训练，通过卷积神经网络获得影像的特征，将获得的特征输入支持向量机进行分类，完成对国产资源三号卫星遥感影像的云检测。等使用基于U-Net的网络结构进行遥感影像云检测。Xu等提出一种新的光学遥感影像云与云阴影检测方法DeepMask，利用ResNet生成像素级的云与云阴影掩模。这些方法相比传统机器学习的方法，可获得更好的云检测效果，但对云边缘检测的能力较弱，细节丢失较多，导致检测精确度低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高检测精确度的基于双注意力神经网络的遥感影像云与云阴影检测方法。

一种基于双注意力神经网络的遥感影像云与云阴影检测方法，所述方法包括：

获取待检测的遥感影像；

将所述待检测的遥感影像输入至训练好的云与云阴影检测模型中，对所述待检测的遥感影像中的云和云阴影的位置进行检测，获得云和云阴影的位置检测结果；

所述云与云阴影检测模型的训练方式包括：

获取遥感影像数据集，所述遥感影像数据集中包含了各遥感影像对应的标签信息，所述标签信息标记了云与云阴影的位置；

将所述遥感影像数据集按预设比例分为训练集和验证集；

利用所述训练集和所述验证集对有监督的双注意力神经网络模型进行训练和验证，获得云与云阴影检测模型，所述云与云阴影检测模型由递归残差模块、双注意力模块、改进空洞空间金字塔池化模块、卷积层、上采样层和Concat层组成。