[發明專利]一種基于深度學習的星載熱紅外相機影像云檢測方法

在審

• 申請號: 202011292436.4
• 申請日: 2020-11-18
• 公開（公告）號: CN112446859A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 陳凡勝;李麗圓
• 申請（專利權）人: 中國科學院上海技術物理研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/50;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 上海滬慧律師事務所 31311
• 代理人: 郭英

1.一種基于深度學習的星載熱紅外相機影像云檢測方法，其特征在于包括以下步驟：

1)轉化未定標的熱紅外影像數字量化值為大氣頂層亮度溫度值，并融合熱紅外全部波段為多通道影像，剪裁遙感影像，構建數據集，具體步驟為：

1-1)轉化未定標的熱紅外影像數字量化值為具有物理意義的大氣頂層亮度溫度值，轉化公式用下面的等式表示：

TOA_RA＝M_L·DN+A_L (1)

其中，TOA_RA為大氣頂層輻亮度值，DN為數字量化值，M_L為熱紅外頻帶的乘法重調因子，A_L為熱紅外頻帶的加法重調因子，TOA_BT為大氣頂層亮度溫度值，K₁和K₂為熱紅外頻帶的熱轉換常數；

1-2)利用軟件中的GDAL庫融合熱紅外全部波段為多通道影像；

1-3)剪裁遙感影像為小塊影像n·n，n取200到600之間；

1-4)數據量較少時，驗證集與測試集所占比例一致共為40％至20％，訓練集比例為60％至80％；

2)以全卷積神經網絡結合殘差網絡為基礎結構，引入空洞卷積代替其中的普通卷積和池化過程，構造出新融合神經網絡，殘差模塊和空洞卷積公式用下面的等式表示：

y＝F(x)+x (3)

其中，x和y代表殘差模塊的輸入和輸出，F(x)為待學習的殘差函數；

(F*_lk)(s+lt)＝∑_s+ltF(s)k(t) (4)

其中，F為離散函數，*_l為離散卷積，k為離散濾波器，s為步長，l為空洞因子，t為自變量，F(s)為步長為s的離散卷積，k(t)為自變量為t的離散濾波器；

3)訓練模型前，設置按權重分配的損失函數，損失函數L為適用于樣本極度不均的Dice損失與適用于樣本類別均衡的二分類交叉熵損失的權重分配之和，損失函數L用下面的等式表示：

L＝W_BceL_Bce+W_DiceL_Dice (5)

L_Bce＝-∑_iT_iln(P_i)+(1-T_i)ln(1-P_i) (6)

W_Bce+W_Dice＝1 (8)

其中，P為網絡預測結果，T為真值，L_Dice為Dice損失，L_Bce為二分類交叉熵損失，i為自變量，W_Bce為Dice損失權重范圍在0至0.2，W_Dice為二分類交叉熵損失權重范圍在1至0.8，L為本方法損失函數；

4)使用構建好的數據集，由反向傳播算法訓練至新模型收斂，得到深度學習模型；

5)利用這一模型對單個像素判定為云或非云目標。