[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

说明书

本发明立足于基于深度学习的云区检测方法需要花费很大标注代价这一现实问题，公开了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，首先通过利用较易获得的影像块级标签，在粗粒度影像块级标签的遥感影像块数据集约束下，结合局部池化层剪枝策略与全局卷积池化层，训练出鲁棒性好的深度网络模型并生成云激活图，再通过阈值分割得到最终的云掩模图。本发明可以大大减少标注工作，同时实现遥感影像的像素级精确云区检测，可有效提高遥感影像云区检测的效率与性能。

技术领域

本发明属于遥感和人工智能技术领域，涉及一种深度学习的遥感影像云区检测方法，尤其是涉及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。

背景技术

云区检测是遥感影像解译与应用中的一个关键问题，大量的云层覆盖会影响遥感影像数据的可用性，增大遥感影像解译的难度。云区检测通过遥感、计算机视觉领域的多种方法检测出遥感影像中的含云区域，在星上应用的层面，通过不下发含云较多的影像，节约传输带宽与存储空间，减少资源的浪费；在地面应用的层面，为云去除与影像恢复，以及后续大范围连续性制图和基于遥感影像的动态监测等应用提供数据准备。

近年来，学术界提出了大量基于人工构造特征的云区检测方法。随着相关领域技术的不断发展，基于深度学习的方法也被大量用于解决云区检测问题。总的来说，基于深度学习的方法能够显著提升遥感影像云区检测任务的性能。然而，深度学习的优越表现依赖于大量精确的像素级标签，而标签的标注工作相当耗时耗力。考虑到不同种类卫星往往在光谱与空间分辨率上存在很大差异，对于每种遥感卫星影像来说，基于深度学习的方法都需要相应的像素级标注数据集来运作，进而需要花费大量的人力去进行标注工作。因此，探索可以减少标注工作量的先进云区检测方法具有重要的意义。

发明内容

本发明立足于基于深度学习的云区检测方法需要花费很大标注代价这一现实问题，提出了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，通过利用较易获得的影像块级标签，在粗粒度影像块级标签的遥感影像块数据集约束下，结合局部池化层剪枝策略与全局卷积池化层，训练出鲁棒性好的深度网络模型，在减少标注工作的条件下，实现遥感影像的像素级精确云区检测。

本发明所采用的技术方案是：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，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MI；

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；

进一步的，步骤1中的y_n具有两种形式，y_n＝[1，0]代表数据集D中第n个遥感影像块b_n的标签为含云，y_n＝[0，1]代表数据集D中第n个遥感影像块b_n的标签为不含云；

进一步的，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：