[發(fā)明專利]一種基于深度學(xué)習(xí)的光學(xué)遙感衛(wèi)星圖像精細(xì)化云檢測方法

有效

• 申請?zhí)枺?/td>: 202010807740.1
• 申請日: 2020-08-12
• 公開（公告）號: CN111951284B
• 公開（公告）日: 2022-04-22
• 發(fā)明（設(shè)計）人: 張鵬;李智勇;鄧志鵬;楊芳
• 申請（專利權(quán)）人: 湖南神帆科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06V10/774;G06T7/90
• 代理公司: 北京風(fēng)雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

本發(fā)明公開了一種基于深度學(xué)習(xí)的光學(xué)遙感衛(wèi)星圖像精細(xì)化云檢測方法，包括以下步驟：A、云類型定義；B、樣本選擇；C、數(shù)據(jù)標(biāo)注；D、數(shù)據(jù)擴充；E、網(wǎng)絡(luò)模型訓(xùn)練；F、圖像語義分割。本發(fā)明能夠解決現(xiàn)有技術(shù)的不足，克服云的光譜差異性、異物同譜現(xiàn)象、地表信息混合等問題，兼顧算法的簡潔性和高效率，得到精細(xì)化的云層分布結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于光學(xué)遙感衛(wèi)星圖像處理過程中圖像語義分割技術(shù)領(lǐng)域，具體是一種基于深度學(xué)習(xí)的光學(xué)遙感衛(wèi)星圖像精細(xì)化云檢測方法。

背景技術(shù)

根據(jù)國際衛(wèi)星云氣候計劃流量數(shù)據(jù)提供的全球云量數(shù)據(jù)顯示，地球表面66％以上區(qū)域經(jīng)常被云覆蓋，造成光學(xué)遙感衛(wèi)星圖像中有大量云區(qū)域存在。一方面，云層遮擋導(dǎo)致地物信息缺失，對目標(biāo)識別、圖像分類等處理產(chǎn)生負(fù)面影響，降低了遙感圖像的使用價值；另一方面，對氣象學(xué)者而言，通過研究云的分布可以發(fā)現(xiàn)極端氣候現(xiàn)象及其變化規(guī)律，遙感圖像中的云區(qū)域具有不可替代的使用價值。因此，云檢測已成為光學(xué)遙感衛(wèi)星圖像處理中非常重要的內(nèi)容。

當(dāng)前遙感衛(wèi)星圖像中的精確云檢測仍面臨巨大挑戰(zhàn)。其一，與傳統(tǒng)圖像相比，遙感衛(wèi)星圖像復(fù)雜度更高，分析難度較大；其二，與普通目標(biāo)相比，云具有不同的形狀和類型，光譜差異較大；其三，異物同譜現(xiàn)象也給云檢測增加了難度。因此，一直以來云檢測的準(zhǔn)確性和自動化程度都不高。

目前的云檢測方法主要分為閾值法、紋理分析法和統(tǒng)計學(xué)方法三大類。閾值法的關(guān)鍵在于閾值的選取，隨著云檢測精度要求的提高，云檢測使用的閾值很難確定。紋理分析法本質(zhì)是利用了目標(biāo)物內(nèi)部屬性的相似性和目標(biāo)物之間邊界的不連續(xù)，但云的形態(tài)復(fù)雜，很多時候其邊界也不清晰，紋理分析難度很大。統(tǒng)計學(xué)方法主要分為統(tǒng)計方程法和聚類分析法，面對云這樣一個復(fù)雜目標(biāo)，很難建立可靠的模型。上述云檢測方法雖然可以實現(xiàn)粗略的云檢測，但是很難得到準(zhǔn)確的云層分布結(jié)果。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于深度學(xué)習(xí)的光學(xué)遙感衛(wèi)星圖像精細(xì)化云檢測方法，能夠解決現(xiàn)有技術(shù)的不足，克服云的光譜差異性、異物同譜現(xiàn)象、地表信息混合等問題，兼顧算法的簡潔性和高效率，得到精細(xì)化的云層分布結(jié)果。

本發(fā)明的內(nèi)容包括以下步驟，

A、云類型定義，

厚云，指完全遮擋了地面信息的云區(qū)域；

薄云，指遮擋了部分地面信息的云區(qū)域；

無云，指不受遮擋的地面區(qū)域；

B、樣本選擇，

選擇多景大幅面的遙感圖像作為樣本圖像，樣本圖像中包含各種形狀、類型和厚度的云，各類霧、霾，各種類型的地物，不含云的圖像；

C、數(shù)據(jù)標(biāo)注，

首先將原始的樣本圖像裁剪為多幅小幅面遙感圖像；然后對這些小幅面遙感圖像中的云類型進行逐像素的人工標(biāo)注，將無云區(qū)域的像素值標(biāo)注為0，將薄云區(qū)域的像素值標(biāo)注為1，將厚云區(qū)域的像素值標(biāo)注為2；最后得到與小幅面遙感圖像對應(yīng)的標(biāo)注圖；

D、數(shù)據(jù)擴充，

首先對每一對小幅面遙感圖像和標(biāo)注圖進行多次裁剪；然后對裁剪得到的遙感圖像塊和標(biāo)注圖像塊進行處理，擴充樣本數(shù)據(jù)；最后得到訓(xùn)練樣本；

E、網(wǎng)絡(luò)模型訓(xùn)練，

在caffe框架下，用C-Segnet網(wǎng)絡(luò)模型對訓(xùn)練樣本進行訓(xùn)練，在train.txt和test.txt文件中設(shè)置訓(xùn)練樣本的存儲路徑，在segnet_train.prototxt、segnet_inference.prototxt和segnet_solver.prototxt文件中設(shè)置網(wǎng)絡(luò)模型參數(shù)，經(jīng)過訓(xùn)練處理后得到能夠進行云檢測的C-Segnet網(wǎng)絡(luò)模型；

F、圖像語義分割，