[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

本發明公開一種基于深度學習的星載熱紅外相機影像云檢測方法，方法包括以下步驟：(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；(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，構造出新的融合神經網絡；(3)訓練模型前，設置按權重分配的損失函數；(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。本發明模型具有輕量化、泛化能力強、適用各類場景和多通道影像的優點。

技術領域

本發明屬于遙感影像檢測技術領域、深度學習技術領域，尤其涉及一種基于深度學習的星載熱紅外相機影像云檢測方法。

背景技術

根據全球能源和水循環實驗(GEWEX)云評估數據庫估計，全球年平均云覆蓋率約為68％。當衛星對地球表面進行觀測時，云層的存在會遮擋地球表面信息，并且在氣象學中分析云層的移動可以預測極端天氣，因此遙感影像云檢測是各種遙感應用中重要的步驟。更重要的是，利用熱紅外波段影像在進行全天觀測時，由于云層信息過多擠占了星地傳輸資源，因此星載熱紅外相機影像在軌云檢測已成為遙感領域趨勢。

目前云檢測方法包括傳統檢測方法與智能檢測法。但是，傳統的云檢測方法難以區分影像背景復雜的云層與地球表面，并且過于依賴人的經驗，存在很多漏檢和誤檢。為了解決上述問題，智能檢測法被提出進行云檢測。其中深度學習網絡可以消除傳統云檢測方法中手動設置特征參數的步驟，從而削弱人為主觀影響，提高檢測算法的魯棒性。全卷積神經網絡和U型網絡將云檢測演化為在像素級別上的分類問題，通過編碼器-解碼器結構使用遙感影像進行端到端的訓練。但是全卷積神經網絡會出現網絡退化的現象，并且池化操作降低了分辨率，導致檢測精度降低。而U型網絡所需的浮點運算次數較高，對硬件的計算能力要求高，不利于在軌云檢測。

綜上，根據全天、精確、實時和在軌云檢測的要求，迫切需要開發一種針對星載熱紅外相機影像云檢測的方法。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于深度學習的星載熱紅外相機影像云檢測方法，解決星載熱紅外相機影像云檢測的問題。

本發明解決其技術問題是采用以下技術方案實現的：

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；