[发明专利]基于Gabor变换和注意力的遥感图像云检测方法

权利要求书

1.一种基于Gabor变换和注意力机制的深度学习遥感图像云检测方法，其特征在于，包括如下步骤：

(1)建立多光谱遥感图像数据库，并划分为训练和测试数据库：针对要进行云检测的遥感图像数据，建立多光谱遥感图像数据库{(X₁,Y₁),(X₂,Y₂),...,(X_n,Y_n)...,(X_N,Y_N)}，其中X_n代表含有云干扰的多光谱图像，对图像库Y_n代表多光谱图像对应的云掩膜图；n代表图像库中第n个样本的编号，n∈[0,N]，N代表图像库的样本个数，并将数据库划分为训练数据库和测试数据库；

(2)构建一个包含Gabor变换模块、注意力机制模块的卷积神经网络：图像数据首先经过Gabor变换模块进行纹理特征学习，再在卷积神经网络中使用注意力机制模块对解码端数据进行引导；通过Gabor变换模块和注意力机制模块，引导网络对重点区域的特征进行学习；上述模块的构建过程如下：

2a)构建Gabor变换模块：所述Gabor变换模块包含上下两个支路，上支路为Gabor变换支路，下支路为卷积变换支路；

2b)构建注意力机制模块：所述注意力机制模块包含空间注意力和通道注意力两个子模块，由依次连接的空间注意力子模块和通道注意力子模块构成；

2c)构建卷积神经网络：构建基于编解码结构的卷积神经网络，并将图像的Dark通道作为辅助通道，构建Dark子网，将Gabor变换模块加入到编解码网络结构的前端，输入图像首先经过Gabor变换模块，之后再进入到编解码网络；注意力机制模块通过跳跃连接，从同一尺度的编码端通过注意力模块引入特征图对解码端的数据进行引导；

(3)确定卷积神经网络的损失函数：确定网络的损失函数，通过损失函数度量网络的输出预测值，步骤如下：

3a)确定输入输出：将训练图像库中的多光谱图像输入到卷积神经网络中，输出为卷积神经网络的最后一层特征图F_out；

3b)计算交叉熵：计算F_out和对应的云掩膜图的交叉熵，并作为网络训练阶段的损失函数，卷积神经网络的损失函数：

其中，y_j是输入卷积神经网络的多光谱图像对应的云掩膜图，y_j∈R^a×a×1，f_j是网络的最后一层特征，y_j∈R^a×a×1，a×a×1表示图像的宽为a，高为a，通道数为1；

(4)训练卷积神经网络：将构建的训练数据库中的图像数据和对应的掩膜数据输入网络，设置迭代次数M，对网络进行迭代训练，通过反向传播机制不断更新卷积神经网络的参数，直到卷积神经网络的损失函数收敛，得到训练好的卷积神经网络；

(5)对图像进行云检测：将测试数据库中的多光谱图像输入到训练好的卷积神经网络中，得到网络输出的概率图，并对输出的概率图进行分割得到二值结果图，完成对图像的云检测。

2.根据权利要求1所述的基于Gabor变换和注意力机制的深度学习遥感图像云检测方法，其特征在于，步骤2a)构建Gabor变换模块中，所构建的Gabor变换支路的输出特征图通过与卷积变换支路的输出特征图做减法操作，得到与卷积变换支路特征图的信息差异，将该信息差异经过一次卷积学习后，重新加入到卷积变换支路中的特征图中，得到所述Gabor变换模块的输出。

3.根据权利要求1所述的基于Gabor变换和注意力机制的深度学习遥感图像云检测方法，其特征在于，步骤2b)构建注意力机制模块中，所构建的注意力机制模块包含空间注意力模块和通道注意力模块；空间注意力模块包括有卷积层，通道拼接层，全局最大池化层，全局平均池化层；一个全局最大池化层和一个全局平均池化层并联，之后依次串联一个通道拼接层和一个卷积层；通道注意力模块包括有卷积层，全局最大池化层，全局平均池化层，全连接层，像素相加层以及Sigmoid函数；一个卷积层后并联一个全局最大池化层和一个全局平均池化层，全局最大池化层和全局平均池化层后分别串联两个全连接层，全连接层后串联一个像素相加层，Sigmoid激活函数串联在像素相加层之后。