[發明專利]一種基于高分辨率遙感影像的自動云檢測方法

在審

• 申請號: 202110832284.0
• 申請日: 2021-07-22
• 公開（公告）號: CN113421258A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 張華;王志盼;李志飛;羅青青;張佳棟;覃慧;樊香;劉歡
• 申請（專利權）人: 湖南星圖空間信息技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖南正則奇美專利代理事務所(普通合伙) 43105
• 代理人: 肖琦

本發明公開了一種基于高分辨率遙感影像的自動云檢測方法，涉及遙感圖像云層檢測技術領域，解決了現有方案在對高分遙感影像進行云層分割過程中，出現薄云、碎云漏檢的技術問題；流程包括：影像數據獲取和圖像預處理，構建人工智能模型，訓練獲取云層分割模型，將待處理影像輸入至云層分割模型獲取云識別結果；本發明采用雙注意力機制改變云區域的權重，通過引入注意力機制在特征的通道維度和空間維度分別抓取特征之間的全局依賴關系，從空間維度和通道維度改變特征圖權重，能夠提取出云層在遙感圖像上所具有的特征信息，提高了對薄云和碎云的檢測精度，以此來獲得更好的云檢測結果。

技術領域

本發明屬于遙感圖像云層檢測領域，涉及自動云檢測技術，具體是一種基于高分辨率遙感影像的自動云檢測方法。

背景技術

當研究遙感圖像時，云層的存在會遮蓋遙感影像大部分信息，并對云層周圍的地表信息產生影響。傳統的依靠遙感影像的云層提取工作，大多都是基于閾值法，但由于高分影像波段較少，閾值難以確定。

高分辨率遙感影像上的云層，薄云光譜特征易受下墊面影響，沒有特定的光譜特征，其紋理特征也不明顯。傳統的閾值法通常利用云層的光譜特征、溫度特征等設定閾值進行提取，其包括多光譜閾值法、多通道閾值法以及基于云紋理與空間特征法等。多光譜閾值法利用云在不同光譜條件下所呈現的特點來設定閾值進行提取；多通道閾值法則是通過不同通道的值來進行組合設定閾值進行云層的提取；空間特征法的依據信息為遙感影像的空間信息，以上算法設計簡單，但是當遙感影像中有與云層光譜特征、亮度特征的較為相似的地物時，難以達到較好的效果。

隨著深度學習的發展，結合卷積神經網絡的語義分割算法得到了廣泛的應用，該類方法具有較好的提取精度，有效地改善了利用傳統方法進行云層分割的不足。現有基于卷積神經網絡的云層分割算法通過深入挖掘影像的深層語義信息，來獲取最終的云層分割結果。普通的語義分割網絡進行云層分割通常會出現薄云、碎云的漏檢現象；因此，亟需一種高精度的語義分割算法實現自動云層分割。

發明內容

本發明提供了一種基于高分辨率遙感影像的自動云檢測方法，用于解決現有方案在對高分遙感影像進行云層分割過程中，出現薄云、碎云漏檢的技術問題，本發明通過設計通道注意力模塊、空間注意力模塊調整神經網絡的權重解決了上述問題，獲取更加精細的云層檢測和分割結果。

本發明的目的可以通過以下技術方案實現：一種基于高分辨率遙感影像的自動云檢測方法，包括：

從數據庫中獲取高分辨衛星的影像數據，對影像數據進行標記，獲取訓練數據；其中，所述訓練數據包括訓練集和測試集；

構建人工智能模型；構建的所述人工智能模型包括信息提取層；其中，所述人工智能模型至少包括U-Net神經網絡；

通過訓練數據對人工智能模型進行訓練和測試，將完成訓練和測試的人工智能模型標記為云層分割模型；

將待處理影像輸入至云層分割模型，獲取云層檢測結果。

優選的，將所述訓練數據按照設定比例劃分為訓練集和測試集，且所述訓練數據的數量不低于1000；其中，所述設定比例包括1:1、2:1和3:1。

優選的，所述人工智能模型依次包括編碼層、信息提取層和解碼層，所述信息提取層包括通道注意力模塊和空間注意力模塊。

優選的，所述通道注意力模塊的工作步驟具體包括：

獲取特征圖A1，將特征圖A1進行重采樣獲取特征圖A2，對特征圖A2進行轉置處理獲取特征圖A3；

將特征圖A2和特征圖A3通過矩陣乘法相乘，將相乘結果經過概率化處理后標記為通道注意力圖T；其中，所述概率化處理的實現方法包括softmax函數；

將通道注意力圖T與特征圖A1通過矩陣乘法相乘后再乘以尺度因子，經過重采樣后獲取特征圖A4，將特征圖A4與特征圖A1相加獲取輸出矩陣E1；其中，特征圖A1和特征圖A4的分辨率相同。