[发明专利]基于多尺度融合语义分割网络的遥感图像云检测方法

说明书

基于多尺度融合语义分割网络的遥感图像云检测方法，它属于遥感图像云检测技术领域。本发明解决了现有通过人工提取特征进行云检测的方法存在的云检测精度低的问题。本发明利用前三级子网络提取浅层特征，利用后两级子网络提取深层特征，再将提取的深层特征与浅层特征融合，这就充分利用了浅层特征包含的丰富细节信息以及深层特征包含的丰富语义信息，融合了二者的优势，使得对深层特征边界的分割更加精细，并通过优化深层特征和浅层特征的比例达到最好的云检测效果，本发明的云面积检测误差小于1％。本发明可以应用于遥感图像云检测技术领域。

技术领域

本发明属于遥感图像云检测技术领域，具体涉及一种遥感图像云检测方法。

背景技术

遥感是获取地球资源和环境信息的重要手段，而云是影响卫星遥感图像质量的主要因素。一般情况下，地球表面50％的区域被云覆盖，云的存在给遥感图像处理带来极大不便。被云覆盖的遥感图像可用信息少，却占用系统大量的存储空间和传输带宽，进而降低卫星数据的利用率。目前除合成孔径雷达传感器能穿透云层获取地表信息外，其他传感器未能彻底解决遥感图像的云覆盖问题，并且目前大部分的影像数据还是由可见光波段的传感器获取。因此，对可见光遥感图像的高精度云检测成为提升遥感数据利用率的关键。

云检测方法经历了从人工判断到计算机处理的阶段，早期的云检测和分类主要依靠观测人员的人工目测进行判断，对观测人员的主观经验依赖程度非常大，而且随着巨量增长的遥感资料，全部依靠人工判断已经不现实了，自动、快速、有效的云检测和分类已经成为各个卫星资料处理中心的重点研究方向。

依靠计算机处理进行云检测的方法是在提取云图特征的基础上完成的，云图特征的提取不断挖掘更深层特征，提取方式也正在从人工提取向自动提取转变。云与地物最直观的区别在于灰度特征，云在图片中表现为偏白，直接依靠灰度阈值进行云检测的方法称为阈值法，阈值法计算简单，但是需要先验知识且受影响因素较多，检测精度较低。云的灰度特征不能代表云的所有特性，进而，后续的云检测方法继续挖掘云的其他特征，包括频率特征、纹理特征等。例如，有学者将图片等分为多个部分，然后提取每个部分的灰度、频率、纹理特征进行训练，最终通过支持向量机(Support Vector Machine，SVM)进行分类。

云的灰度、频率、纹理特征均属于人工提取的浅层特征，通过人工提取特征进行云检测的方法存在以下问题：

(1)往往直接对整幅图片进行特征提取，由于云状的复杂性，导致对图片中含有少量云情况的漏检；

(2)仅提取浅层特征不利于区分与云特征相似的地物，鲁棒性差；

(3)只能大致判断云的位置，云量值提取精度低。

由于人工提取特征进行云检测的方法存在上述诸多问题，因此，导致现有的通过人工提取特征进行云检测的方法的云检测精度较低。

发明内容

本发明的目的是为解决现有通过人工提取特征进行云检测的方法存在的云检测精度低的问题。

本发明为解决上述技术问题采取的技术方案是：基于多尺度融合语义分割网络的遥感图像云检测方法，该方法包括以下步骤：

步骤一、从真实全色可见光遥感图像数据集中随机选取出N₀张作为原始遥感图像；

对N₀张原始遥感图像进行预处理，获得N₀张预处理后的遥感图像；

步骤二、将N₀张预处理后的遥感图像作为训练集输入语义分割网络进行训练，训练过程中不断更新语义分割网络中卷积层的卷积核参数，直至达到设置的最大迭代次数时停止训练，获得训练好的语义分割网络；

步骤三、对于待检测的遥感图像，采用步骤一的方法对待检测的遥感图像进行预处理，获得预处理后的待检测遥感图像；