[发明专利]基于Gabor变换和注意力的遥感图像云检测方法

说明书

本发明提供了一种基于Gabor变换和注意力机制的深度学习遥感云检测方法，解决了遥感图像云检测中对于特征提取不够充分的问题，实现步骤为：建立遥感图像数据库和对应的掩膜图；构建一个包括Gabor变换模块、注意力模块的卷积神经网络；确定网络的损失函数；将训练图像库中的训练样本输入到卷积神经网络中，通过梯度下降方法对损失函数迭代更新直至损失函数收敛，得到训练好的卷积神经网络；将测试数据库中的数据输入到卷积神经网络中获得云区域的检测结果；本发明采用基于Gabor变换和注意力机制的图像特征提取技术，使用深度学习方法进行遥感图像的云检测，特征提取充分，检测精度高，用于遥感图像的预处理过程。

技术领域

本发明属于图像处理技术领域，主要涉及遥感图像的云检测，具体是一种基于Gabor变换和注意力机制的深度学习遥感图像云检测方法，可用于遥感图像的预处理过程，实现对遥感图像的剔除、分类。

背景技术

随着科技的高速发展，卫星遥感技术进入了一个能快速及时地获取对地观测信息的新阶段。根据国际卫星云气候计划ISCCP(International Satellite CloudClimatology Project)提供的全球云量数据显示，全球有超过60％以上的区域常常被云覆盖。因此遥感卫星获取卫星图像，尤其是获取大范围的遥感影像时，多数情况下都会有云的存在，真正的无云晴空地面目标物体影像很难获取。云层在图像中会对地物造成遮挡，从而对通过卫星遥感图像获取到的地物信息产生干扰。当这些含云的图像数据被用于图像融合，目标识别，地物分类，农业检测等领域是，由云遮挡造成的干扰会影响其正常的数据提取和处理，甚至造成无法避免的错误。为了能够有效的从遥感图像数据中提取地面目标物体的信息，提高遥感卫星图像数据的可用性和利用率，必须对遥感图像中存在的云进行检测，采取必要的措施，以消除或降低云的干扰和影响。

随着人工神经网络领域中深度学习的发展，越来越多的深度卷积神经网络在图像处理中展现了很好的效果，很多学者也将其用于遥感图像的云检测中，并且取得了较好的效果。Jacob基于卷积神经网络模型，提出了适用于遥感图像的云检测深度学习模型(Remote Sensing Network，RS-Net)，该网络相比于传统的云检测算法,检测效果有明显的提升。

现有的卷积神经网络虽然能够实现图片语义分割的任务，但由于云的种类十分繁杂，不同类型的云具有不同的图像特征值，而且特征值的分布并不集中，再加上地物的种类同样繁杂，并不存在一种特征或者特征组合能够将云与地物明显的区分开，将现有卷积神经网络用于遥感图像云检测时的检测精度仍有待提高。

发明内容

本发明的目的在于针对已有技术存在的问题，提供了一种基于Gabor变换和注意力机制的深度学习遥感云检测方法，旨在加强对遥感图像的特征提取，进一步提升云检测的精度。

本发明是一种基于Gabor变换和注意力机制的深度学习遥感图像云检测方法，包括有如下步骤：

(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：