[發明專利]一種基于雙分支網絡模型的云檢測方法

有效

• 申請號: 202310278503.4
• 申請日: 2023-03-21
• 公開（公告）號: CN115984714B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 馬楠;周成虎;孫林;董傳祥
• 申請（專利權）人: 山東科技大學;中國石油大學（華東）
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/40;G06V10/774;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/08
• 代理公司: 安徽濰達知識產權代理事務所(普通合伙) 34166
• 代理人: 朱明英

本申請涉及遙感圖像處理技術領域，提出了一種基于雙分支網絡模型的云檢測方法，包括以下步驟：構建云檢測數據集并設計TransDiffNet云檢測模型；基于TransDiffNet云檢測模型預測，輸入遙感影像表觀反射率和差異特征，獲得遙感影像云檢測結果，本方案彌補純卷積神經網絡（Convolutional?Neural?Network,CNN）結構獲取全局信息的缺失和純Transformer結構捕獲空間細節特征的不足，減少云與明亮地表特征的混淆以及薄云遺漏，提高云檢測精度。

技術領域

本發明涉及遙感圖像處理技術領域，特別涉及一種基于雙分支網絡模型的云檢測方法。

背景技術

云是大氣系統的重要組成成分，也是衛星對地監測的重要影響因素。遙感影像中云的存在直接影響了地表信息的獲取，降低了數據的利用率，并且造成了后續定量遙感參數估計得偏差，因此云檢測是遙感影像處理中的重要步驟。

?針對遙感影像云檢測，研究學者們已經開展了大量研究。目前，云檢測方法主要分為：基于物理規則的方法、基于多時相的方法和基于機器學習的方法。近年來，深度學習，作為機器學習的延伸，已經在目標檢測、圖像分類和語義分割等任務中取得了突破性進展。憑借深度特征挖掘和強大的特征表示能力，深度學習在遙感影像云檢測研究中也取得了出色表現。基于深度學習的云檢測方法通常利用卷積神經網絡結構進行云和非云特征的學習和模型訓練。RS-Net,?SegCloud,?SAGAN,?DABNet,?and?WDCDNet等網絡被設計用于云檢測（RS-Net,?SegCloud,?SAGAN,?DABNet,?and?WDCDNet是基于深度學習的云檢測方法）。由于卷積運算中感受野的限制，純卷積網絡結構只能提取圖像的局部特征，無法充分利用影像上下文信息進行特征捕獲，因此在建模全局上下文方面仍然受到限制。為了緩解全局信息的損失，注意力機制被引入云檢測研究以提高云檢測精度。Transformer?結構（ransformer是一種自注意力機制結構），完全依賴注意力機制來繪制輸入和輸出之間的全局依賴關系，被應用于圖像分割等領域。純粹的Transformer結構將輸入視為一維序列，并專注于在所有階段對全局上下文進行建模，因而缺乏詳細定位信息的低分辨率特征，并且這些信息不能通過直接上采樣到完整分辨率來有效地恢復，因此會生成粗略的分割結果。CNN?架構提供了一種提取低級視覺線索的途徑，可以很好地彌補這些精細的空間細節。

因此，結合CNN和Transformer的混合網絡可以彌補二者的缺點，提升云檢測精度。明亮地表環境中云的準確識別是遙感影像云檢測領域不斷探索的難點。顏色、高反射率屬性是云檢測的主要依據，而高亮地表特征具有與云相似的亮白色和高反射率，是云與明亮特征難以區分的主要原因。單純的利用深度神經網絡提取光譜和空間特征難以有效區分復雜場景中的云與明亮地表，比如大范圍冰雪覆蓋區域、城鎮區域以及山體滑坡災害區域。由于單一時相衛星影像提供的信息相對有限，缺乏準確的地表信息阻礙了云和復雜地表之間的有效區分。在一定的時間范圍內，地表的變化是相對平穩的，而由云覆蓋引起的地表反射率變化是突變的。多時相影像信息差異對準確識別影像中云和地表具有重要作用，特別是云與明亮地表。差異信息和深度學習的結合將從光譜、空間和時間信息為遙感影像云檢測的提供一種有前景的方法。

為了解決上述問題，提出一種基于雙分支網絡模型的云檢測方法。

發明內容

本發明實施例提供了一種基于雙分支網絡模型的云檢測方法，彌補純CNN網絡結構獲取全局信息的缺失和純Transformer結構捕獲空間細節特征的不足；減少云與明亮地表特征的混淆以及薄云遺漏，提高云檢測精度。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵／重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。