[发明专利]一种基于深度学习的遥感图像云识别方法

说明书

本发明公开了一种基于深度学习的遥感图像云识别方法，该方法包括：遥感云图像的自动获取，将遥感图像制作成训练集并扩大现有训练集，以及训练集中标签的制作；构造基于SegNet神经网络结构的、具有多尺度卷积核的、高度对称的，并且最后使用反卷积层对特征图进行还原的深度卷积神经网络；在网络训练时防止过拟合、欠拟合和梯度消失问题，采用分段训练的方法；在训练完成后，利用所得到权值文件进行遥感图像的特征提取，并将其在像素级别上进行云检测。本发明的遥感图像云识别深度卷积神经网络利用多尺度卷积和高度对称性提高了检索的准确性。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于深度学习的遥感图像云识别方法。

背景技术

通过对遥感图像的处理和分析，遥感图像已经在农业林业管理、地质矿产预测、自然环境检测、天气预报等方面都有着广泛的应用。然而，地球的上空中超过了50％的区域被大量的云层覆盖，这导致了遥感图像中的大量信息会被云层挡住，对遥感图像的实际运用产生了很大的影响和干扰。

目前对于遥感图像云识别存在很多种方法，其中之一就是利用遥感图像处理软件。遥感图像处理软件首先会对图像进行细致的切割，将相同或相似像素的区域分为一类，然后操作者需要告诉软件分出的类别个数，并且选定一些区域做为这一类的样本，再根据操作者所给出的合并条件例如亮度、形状等将相似的区域进行合并达到检测云的目的。但是在这一过程中，对于超大遥感图像，分割和合并需要花费大量的时间，除此之外对于云特征的选取也是靠人工的主观判断。

除了利用现有成熟的软件进行云识别外，许多研究人员尝试使用聚类的方法分割图像，例如高贤君团队提出的Otsu方法，该方法利用最大类间的自适应阀值对遥感影像的云进行检测，也取得了较好的结果。

随着ImageNet超大数据集的出现，之前备受冷落的基于监督的人工学习算法——深度学习算法从2012年开始获得了大规模的运用。随着ReLu、Dropout等新的深度学习技术的出现以及像是GPU等硬件设备性能的大幅度提高，使得深度学习算法的准确度和训练速度得到了进一步的提升。深度学习在发现高维数据的结构中有着很强的能力，往往应用于科学、商业和政务等很多领域，尤其在图像识别和语音识别中取得了惊人的成就。深度学习算法的形式是监督学习，十分适合做特征提取，所以在二维图像数据的特征提取上有着广泛的应用。

目前，已经有研究人员从事深度学习算法与遥感图像云检测相结合的研究。例如陈洋团队利用深度网络与支持向量机(SVM)结合的方式来进行云检测。其主要包括利用主成分分析的方法来预训练卷积神经网络、将神经网络所计算出的向量送入支持向量机中进行分类来达到将云的检测的目的。文中指出，利用深度学习的方法在光谱影像上识别云的精确度比传统方法的精确度高5.38％，在全色影像上识别云的精确度比传统方法的精确度高8.6％。这说明，由于深度神经网络对于高维数据有着较为强大的数据处理能力，相比于人工特征提取，深度学习算法能够更好地表达云的特征。相对于传统的Otus云检测方法，深度学习方法能够较容易地区分高反射率的物体，例如雪、空地等。不过，文中也指出，该深度神经网络模型深度较浅，也没有基于已有高识别率的网络模型进行比较研究，对于云的识别精确度方面还能有进一步的提升。

发明内容

本发明的目的在于提供一种基于深度学习的遥感图像云识别的方法，用以解决现有遥感图像中云的识别精确度不高的问题。

为实现上述目的，本发明的技术方案为

步骤1.利用网络爬虫获取大量遥感云图并对其进行预处理，并利用遥感图像处理软件将遥感云图中的像素点进行分类，制作训练集合，并通过旋转和切割方式扩大训练集。