[发明专利]基于空谱联合的多光谱遥感图像云检测方法

说明书

本发明提出了基于空谱联合的多光谱遥感图像云检测方法，实现步骤为：获取训练样本集和测试样本集；构建基于空谱联合的多光谱遥感图像云检测网络，对多光谱遥感图像云检测网络进行迭代训练；获取遥感图像云检测的结果。本发明构建基于空谱联合的多光谱遥感图像云检测网络中的空谱信息提取模块，能够有效提取多光谱遥感图像的空间信息和光谱信息并能将其融合，并通过上下文动态卷积模块将编码模块的浅层特征与解码模块的深层特征进行融合使得网络更加关注云边缘信息，识别的云的边界更加连续，从而有效提升了多光谱遥感图像云检测的精度。

技术领域

本发明属于图像处理技术领域，涉及一种多光谱遥感图像云检测方法，具体涉及一种基于空谱联合的多光谱遥感图像云检测方法，可用于对多光谱遥感图像进行云的分类、剔除。

背景技术

遥感卫星图像是遥感卫星中传感器获得的影像数据，目前广泛应用于气象预测、地质防灾减灾、农业生产等领域。根据国际卫星云计划云量数据显示，地球表面有超过半数的区域大部分时间都被云所遮挡，使得能获得到的地面信息量大大减少，在很大程度上阻碍了遥感事业的发展，因此，设计一款高效的云检测算法，对于遥感图像的利用与处理具有非常重要的意义。

传统的云检测算法大多采用光谱阈值法，通过对遥感图像中云与其他区域的光谱特性进行分析，对不同通道选择合适的阈值从而实现云检测。然而，仅从光谱特性很难分析出云与高反地物之间的差异，并且对于不同场景的泛化能力也较差，因此传统阈值法的云检测精度相对较差。近年来，随着硬件设备的不断发展以及深度学习理论的兴起，以卷积神经网络为代表的深度神经网络能够自动提取图像中的特征并进行处理，并且在遥感图像处理领域也有非常广泛的应用。目前深度学习方法在遥感图像云检测中也能实现较高的精度，并且在一些较难解决的难题如云与高反地物的区分上也具有较好的效果。然而，目前的深度学习云检测方法多数针对三通道图像，对于遥感多光谱图像的处理当中往往会出现信息提取的缺失导致云检测精度的下降。例如，申请公布号为CN 114494821 A，名称为“基于特征多尺度感知与自适应聚合的遥感影像云检测方法”中，提供一种基于特征多尺度感知与自适应聚合的遥感影像云检测方法UNet-Cloud，由于不同尺度上云及云阴影的语义信息不同，因此本发明特征多尺度感知模块通过编码器-解码器间并行的扩张卷积对感知不同尺度的上下文信息；特征自适应聚合模块基于自注意力机制，自适应地学习不同尺度的特征对云及云阴影检测的贡献，实现多尺度特征的加权聚合；矢量后处理流程包括填补空洞、缓冲区分析、边缘平滑、擦除等操作，从而解决了深度学习网络检测结果部分区域细碎、呈锯齿状等问题，最终获得更接近于人工生产的影像有效区，甚至较人工生产所获得的影像有效区更精准，为遥感影像生产节约了大量时间与人力成本，且最终获得的检测效果较佳，便于影像的后续应用。但是，由于多光谱的遥感图像所含干扰信息较多，该网络并未关注提取多光谱遥感图像的光谱信息，因此，在对多光谱遥感图像进行云检时存在误检漏检等问题，特别是对于云的边界检测以及云与高反地物的区分上有较大的困难。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于空谱联合的多光谱遥感图像云检测方法，用于解决现有技术中由于多光谱遥感图像信息缺失导致的误检漏检较高的技术问题。

为实现上述目的，本发明采取的技术方案包括以下步骤：

(1)获取训练样本集和测试样本集：

从卫星数据库中获取K幅带云区域标签的多光谱遥感图像，对每一幅多光谱遥感图像进行归一化处理，选取其中M幅归一化后的多光谱遥感图像及其对应的标签作为训练样本集,剩下N幅归一化后的多光谱遥感图像及其对应的标签作为测试样本集，其中，K＞10000，M＞N；

(2)构建基于空谱联合的多光谱遥感图像云检测网络H：