[發明專利]一種云、影檢測方法

有效

• 申請號: 201710934125.5
• 申請日: 2017-10-10
• 公開（公告）號: CN107766810B
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 董明旭;楚彬;陳春花;華亮春;靳文憑;敖敏思;劉紫平;周烽松
• 申請（專利權）人: 湖南省測繪科技研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙思創聯合知識產權代理事務所(普通合伙) 43215
• 代理人: 肖戰勝;俞航

1.一種云、影檢測方法，其特征在于，包括以下步驟：

S1、建立檢測樣本庫，首先對樣本圖像進行人工標注，將云、影區域標注出來，然后從云、影區域選取若干個大小為K×K的子塊作為正樣本，從非云區選取若干個大小為K×K的子塊作為負樣本；

S2、生成卷積神經網絡分類模型，建立一個卷積神經網絡，網絡的輸入是大小為K×K的RGB三通道高分影像子塊，網絡輸出是兩個數值，分別表示是云、影的概率和非云、影的概率；將步驟S1中選取的所有樣本作為該卷積神經網絡的輸入，對該網絡進行訓練，得到網絡所需的所有參數；

S3、采用顯著性檢測提取顯著區域；

對樣本圖像進行采樣，獲得五層影像金字塔，然后對獲取的每層影像金字塔計算顯著圖；接著對每層的顯著圖進行采樣，計算其顯著性值，最終選取顯著性值最大的五個顯著性區域來構建云、影選區；具體地，首先對影像進行顯著性檢測，定義是利用顯著性檢測方法獲取得每個像素值p的顯著性，并定義了在s尺度下窗口ω的顯著性值，表達式如下：

其中，是特定尺度閾值，通過在每個尺度s上對訓練樣本О的定位精度進行優化獲得，其中o為訓練集O中的個體，對于每個訓練影像I和尺度s，計算顯著性圖和每個窗口的顯著性得分，最終選取顯著性得分最大的五個顯著性區域來構建云、影選區；

還包括在4分維數(D)空間進行非最大抑制運算獲得一組局部最大值窗口通過最大化獲取最優其中，

S4、云、影區域檢測，利用滑動窗口在構建的建云、影選區內獲取可能是云、影樣本塊，并將云、影樣本塊輸入步驟S2中訓練好的卷積神經網絡分類模型中，判別云、影樣本塊是否為云、影，實現對云、影的識別。

2.根據權利要求1所述的云、影檢測方法，其特征在于，在所述步驟S4之后，還包括步驟S5，輸出結果，將步驟S4檢測的結果進行標記，獲取云、影位置，并在圖像中顯示，輸出最終結果。

3.根據權利要求1所述的云、影檢測方法，其特征在于，在步驟S2中的卷積神經網絡包括卷積層、特征映射層和特征池化層，其中，卷積層用于提取局部區域的特征，特征映射層對過濾層結果利用非線性函數進行映射得到特征圖，特征池化層用于避免特征過擬合，降低特征維度。

4.根據權利要求2所述的云、影檢測方法，其特征在于，在步驟S2中的卷積神經網絡包括多個卷積層、特征映射層、池化層和2個全連接層。

5.根據權利要求3或4所述的云、影檢測方法，其特征在于，所述步驟S2具體為：

S21、假設輸入影像I是一個大小為γ×c的二維矩陣，用一個尺寸為ω×ω的可訓練過濾器組K對其進行卷積運算，l步長為l，得到大小為((γ-ω)/s+1)×((c-ω)/s+1)的輸出Y：

y_i＝b_i+∑_ik_ij*x_i

上式中，k_ij表示卷積核參數，x_i表示卷積層的輸入，b_i表示偏差值；*表示卷積運算；

S22、特征映射層對過濾層結果利用非線性函數進行映射得到特征圖F。

6.根據權利要求5所述的云、影檢測方法，其特征在于，所述非線性函數為：

f_l＝δ(b_i+∑_ik_ii×x_i)

上式中，δ是激活函數。

7.根據權利要求6所述的云、影檢測方法，其特征在于，所述激活函數為tanh、sigmoid或softplus。

8.根據權利要求1所述的云、影檢測方法，其特征在于，在所述步驟S2之前，先進行所述步驟S3。