[发明专利]粗粒度标签引导深度学习的像素级遥感影像云区检测方法

权利要求书

1.一种粗粒度标签引导深度学习的像素级遥感影像云区检测方法，其特征在于，包括以下步骤：

步骤1：输入带有粗粒度标签的遥感影像数据集D＝{(b_n,y_n)|n＝1,2,…,N}，其中b_n表示数据集D中第n个遥感影像块，y_n表示第n个遥感影像块对应的粗粒度遥感影像块级标签，N表示数据集D中遥感影像块的总数目；

步骤2：在步骤1中的数据集D上学习深度卷积网络模型超参数，包括卷积权重C、全局卷积池化权重G、云激活权重W；

步骤2的具体实现包括以下子步骤：

步骤2.1：将步骤1中的数据集D的某一个遥感影像块b_n输入到深度卷积网络模型中输出特征图，公式如下：

其中，f_n表示深度卷积网络模型中最后一个卷积层的输出特征图；代表深度卷积网络模型中的卷积、激活运算操作的整体表示，C代表深度卷积网络模型中的卷积权重；

步骤2.2：对步骤2.1中f_n的各通道进行全局卷积池化，计算出各通道的激活值，公式如下：

其中，表示f_n的第k个通道，代表经过全局卷积池化后在第k个通道的激活值，G^K∈G代表全局卷积池化权重G在第k个通道的权值，代表f_n与G各通道之间的空间卷积运算；

步骤2.3：使用基于softmax的交叉熵损失函数学习深度卷积网络模型的超参数C、G、W，公式如下：

其中，代表云激活权值在第k个通道，对于类别c的权值；类别c对应b_n的标签，y_n＝[0,1]时c＝1，y_n＝[1,0]时c＝0；d代表总通道数；

步骤2.4：对于数据集D中的每个遥感影像块，重复步骤2.1至步骤2.3，直到全部数据参与深度卷积网络模型训练，重复迭代若干次至网络收敛，获取深度卷积网络模型及其超参数：卷积权重C、全局卷积池化权重G、云激活权重W；

步骤3：输入需要进行云区检测的影像I，使用I与步骤2中的卷积权重C、全局卷积池化权重G、云激活权重W计算影像I的云激活图M^I；

步骤3的具体实现包括以下子步骤：

步骤3.1：输入需要进行云区检测的影像I，使用滑动窗算法将其切分成重叠的影像块{a₁,a₂,…,a_m}；

步骤3.2：对于步骤3.1中的某一个影像块a，将其输入到深度卷积网络模型中输出特征图f，公式如下：

其中，f表示深度卷积网络模型中最后一个卷积层的输出特征图，代表深度卷积网络模型中的卷积、激活运算操作的整体表示；

步骤3.3：对于步骤3.2中输出特征图f的第k个波段f^k，计算调整后的特征图T^k，公式如下：

其中，T^k是第k个波段的f^k经调整后的特征图，是使用步骤2.1中式贰计算的f^k在第k个通道的激活值，G^K∈G代表步骤2.4中所得全局卷积池化权重G在第k个通道的权值，τ(f^k)是f^k的一种统计值，包括平均值或中值；

步骤3.4：对于步骤3.2中影像块a的每一个通道，重复步骤3.2、3.3，计算云激活图M^a，公式如下：

其中，代表云激活权值在第k个通道的值；

步骤3.5：对于步骤3.1中的所有影像块{a₁,a₂,…,a_m}，重复步骤3.2、3.3、3.4，计算出每个影像块对应的云激活图将所有云激活图拼接后即得到影像I的云激活图M^I；

步骤4：对步骤3中影像I的云激活图M^I进行阈值分割，计算影像I的云掩膜图S^I。