[发明专利]基于语义分割的高分遥感图像云检测方法和装置

说明书

本申请涉及一种基于语义分割的高分遥感图像云检测方法和装置，该方法包括：获取高分遥感图像，所述高分遥感图像为RGB图像数据；对获取的图像进行预分类，判断图像是否为有云图片；如果是有云图片，则对图片进行增强处理；将增强处理后的图片输入到云检测模型中进行识别；所述云检测模型是预先训练好的语义分割模型，该模型中包括注意力机制模块；将所述云检测模型的输出结果进行融合处理，获得云检测结果。本申请的方案基于语义分割对高分辨率遥感图像进行像素级云检测，从而提高检测精度；单纯使用RGB图像进行云检测，大幅提高云检测普适性；在检测模型中加入注意力机制，既能够发挥边缘分割精细的特点也能有效提高模型检测正确率。

技术领域

本申请涉及光学遥感图像处理技术领域，具体涉及一种基于语义分割的高分遥感图像云检测方法和装置。

背景技术

根据国际卫星云气候计划ISCCP(InternationalSatellite Cloud ClimatologyProject)提供的全球云量数据显示，云覆盖了50％以上的地球表面，在利用遥感手段获取的地球空间信息中占有相当大的比率。一方面，由于云是重要的气象和气候要素之一，通过云的分布不但可以帮助发现危险的气候现象，如暴雨、飓风以及龙卷风，而且还可以跟踪气象条件的变化，因此自气象卫星问世以来，云检测和分类方法的研究就引起了各国学者的关注和兴趣。另一方面，由于光学遥感数据中大量云的存在，影响了遥感图像的质量从而降低了图像的数据利用率。因此云检测和云剔除已成为光学遥感图像处理过程中需首要解决的问题之一。可以将遥感图像云检测看成是图像分析的二值(二类)分割任务，是后续进行云分类和云剔除的关键。

相关技术中，现有算法主要利用云的光谱、频率、纹理等特性，结合阈值法、支持向量机法、聚类法等进行检测。

光谱结合阈值法主要利用云在可见光波段具有强反射的特性，该类算法对阈值的敏感程度较高，同一卫星数据因时间、天气等原因，检测阈值将发生巨大变化，加大了此类方法的局限性。

频率结合阈值法主要利用云的低频特性，通过小波分析、傅里叶变换等方法获取影像低频数据进行云检测，但由于受地面低频信息干扰，通常采用多层小波变换排除，这大大降低了云检测效率。

纹理特征法利用云与地面纹理特征差异，常以分块子图为单位，结合二阶矩、分形维数、灰度共生矩阵和多次双边滤波进行纹理特征计算，该类方法需要提前获得可靠云特征区间才能保证分类的精度，效率较低。

支持向量机法与聚类法的云检测，需要获取大量的训练样本，对分类特征的选取要求较高，针对不同数据需要重新选取样本，导致效率低。此外，现有深度学习模型均使用经典语义分割模型，尚未针对云检测进行模型改造，因适应场景不同，原模型难以在云检测中发挥最佳水平。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于语义分割的高分遥感图像云检测方法和装置。

根据本申请实施例的第一方面，提供一种基于语义分割的高分遥感图像云检测方法，包括：

获取高分遥感图像，所述高分遥感图像为RGB图像数据；

对获取的图像进行预分类，判断图像是否为有云图片；

如果是有云图片，则对图片进行增强处理；

将增强处理后的图片输入到云检测模型中进行识别；所述云检测模型是预先训练好的语义分割模型，该模型中包括注意力机制模块；

将所述云检测模型的输出结果进行融合处理，获得云检测结果。

进一步地，所述对获取的图像进行预分类，包括：

将图片压缩为低分辨率图像；

将压缩后的图像数据输入到预分类模型中进行处理。