[發明專利]一種面向云掩膜的非均勻類別的樣本均衡化方法

有效

• 申請號: 202010099382.3
• 申請日: 2020-02-18
• 公開（公告）號: CN111291818B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 吳煒;高星宇;范菁;沈瑛;夏列鋼;葛煒煒
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06K9/62;G06N20/00
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

一種面向云掩膜的非均勻類別的樣本均衡化方法，包括：步驟1：數據預處理與樣本獲取；步驟2：樣本分組；步驟3：云掩膜模型訓練；步驟4：分類器掩膜與評價；步驟5：迭代訓練；步驟6：云掩膜；步驟7：掩膜數據后處理。本發明采用的樣本均衡化方法，有效的解決了遙感影像中云類別不均勻而導致的樣本失衡，實現對影像中各種類型云的有效識別和分割，從而提高云掩膜精度；選擇性地輸入樣本，這可以突出缺失或錯誤檢測的樣本的影響，從而增強小類別樣本，從而有效地調整深度學習模型所提取的特征，解決小類別云漏檢或誤檢問題。

技術領域

本發明涉及一種非均勻類別的樣本均衡化方法，具體來說涉及基于深度學習的云掩膜訓練過程中的非均勻類別的樣本均衡化方法。

背景技術

隨著遙感技術的發展，遙感影像廣泛地應用于農作物制圖、森林監測等各個領域。然而由于遙感影像成像過程中受云的影響，獲取的影像上相應區域存在數據缺失或畸變，從而影響了信息提取結果的準確性及其應用意義。云導致的數據缺失或畸變問題在中國南方等多云多雨地區尤其突出，使用部分被云遮擋的影像能夠提高數據可獲取性，增強其保障能力。在應用部分缺失的影像中，逐像素標記影像上受云影響像素的云掩膜過程是各種應用的基礎。

基于監督學習的云掩膜方法可以根據標記的樣本學習云特征并調整分類器的參數，具有獲得較高云掩膜精度的潛力，而特征設計與分類器選擇是決定分類精度的重要因素。常用特征(例如光譜，形狀和紋理特征等)、機器學習方法(例如支持向量機和淺層神經網絡等)及其組合都已經用于云掩膜(胡根生,陳長春,梁棟.聯合云量自動評估和加權支持向量機的Landsat圖像云檢測[J].測繪學報,2014,43(8):848-854.)。但是，這些特征都是人為設計的，由于不同種類的云特征迥異，難以利用單個或多個特征來準確描述并區分所有云，從而限制了方法的適用性。因而，每次云掩膜時需要重新選擇樣本并調整分類器模型，導致較高的時間消耗和財務成本，降低了算法的實用性。

近年來，深度學習因其將特征提取與分類器優化耦合在一起實現協同優化，在計算機視覺領域得到了廣泛應用并獲得巨大成功，從而為云掩膜提供新的技術思路與方案。一種典型方法如：通過線性迭代聚類算法可以將相似像素聚合為超像素，再將超像素作為輸入進行云檢測。同時，由于卷積操作不僅可以利用單個像素的光譜特征，還可以提取卷積窗口像素構成的空間特征，直接利用卷積特征進行云掩膜有助于提高掩膜精度(Xie F,ShiM,Shi Z,et al.Multilevel cloud detection in remote sensing images based ondeep learning[J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2017,10(8):3631-3640.)。從以上論述可以看出：基于深度學習的云掩膜方法已經實現了較高精度的掩膜效果。

然而，由于云是一個復合類別，根據云的高度，再結合是否產生降水、溫度以及逆輻射等信息，可以將其劃分為低云、中云和高云3族10屬，其中，低云的高度不超過4km，包括層云、層積云、雨層云、積云和積雨云等類型；中云的高度4-6km，包括高積云和高層云；高云的高度在6km以上，包括卷云、卷積云和卷層云。圖1給出了各種云的示意圖，可以看出：不同類型的云呈現出的形態與顏色特征不同、甚至差別很大；即使同一類型的云，其特征也隨其厚度、高度等變化而變化。同時，這些云的數量差異也很大，且云的數量隨時間和區域而變化，即構成不平衡類別(王帥輝,韓志剛,姚志剛,等.基于CloudSat資料的中國及周邊地區各類云的宏觀特征分析[J].氣象學報,2011,69(5):883-899.)。

深度學習模型需要準確識別不同類型云的特征，才能實現不同類型云的準確識別，但是由于：(1)不同類型的云比例差異較大，且隨著不同緯度、不同季節等因素的影響而變化，難以獲得比例均衡的樣本；(2)云的可分性不僅決定于云本身，也決定于與下墊面(如城市、森林、水體、沙漠等)的可區分性，而云與下墊面構成復雜的組合關系。上述因素使得深度學習模型不能很好地學習小類別的云特征，造成相應類型的云漏檢。