[发明专利]一种基于FCN和CNN的云图分割方法

权利要求书

1.一种基于FCN和CNN的云图分割方法，其特征在于：

首先通过超像素对云图中每个像素点的近邻域实现相应的聚类，同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中，实现云图的预分割结果；FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域，FCN8s结果图中的白色区域一定是云图中的一部分“云”区域；

剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定，需要选取超像素区域中的关键像素来代表超像素区域的特征，像素的特征通过CNN网络来判断是“云”或者是“非云”，即能知道不确定部分的超像素区域是“云”还是“非云”；该CNN神经网络由5个卷积层C1、C2、C3、C4、C5和3个全连接层F1、F2、F3组成，其中卷积层C1、C2、C3、C4、C5逐层递进提取输入云图的局部特征，最后3个全连接层F1、F2、F3将卷积层C5输出的特征通过权值重新组合，并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层；将最后一个全连接层F3的神经元个数设置为2，实现“云”和“非云”的2分类。

2.根据权利要求1所述的方法，其特征在于：

用均值偏移方法对云图中像素进行聚类操作，也就是说在后续的云图分割过程中是以超像素为基本单位而不是像素；

聚类操作输入是一个5维空间，包括2维的(x,y)物理坐标和3维的(l,u,v)颜色坐标，基于高斯核函数核密度估计的无参数统计迭代方法。

3.根据权利要求1所述的方法，其特征在于：

FCN输入的图像是H*W大小，第二层pooling后变为原图大小的1/4，第三层pooling层后变为原图大小的1/8，第四层pooling层后变为原图大小的1/16，第五层pooling层后变为原图大小的1/32；

FCN32s网络是直接对1/32尺寸的特征图进行上采样操作，把第四层卷积层conv4中的卷积核对上一次上采样之后的图进行反卷积补充细节，最后把第三层卷积层conv3中的卷积核对刚才上采样之后的图像进行再次反卷积补充细节，最后就完成了整个图像的还原，这就是上采样8步长，也就是FCN8s网络。