[发明专利]基于上下文信息融合的遥感影像云与云阴影检测方法

说明书

本发明提供基于上下文信息融合的遥感影像云与云阴影检测方法，涉及深度学习和遥感影像处理领域。该基于上下文信息融合的遥感影像云与云阴影检测方法，设计了一种基于上下文信息融合的遥感影像云与云阴影检测方法。该发明设计一种新颖的残差模块(ResBlock‑cloud)来捕获全局及局部特征，并防止网络出现退化。设计一种全局上下文融合模块(GCF)，通过密集的跳跃连接来融合不同层级的全局上下文信息并引导其与解码器路径特征进行特征融合。最后，设计一种多尺度上下文融合模块(MCF)，提取云与云阴影之间的多尺度上下文关系。该发明可以有效检测出小面积云块及薄云，并显著提高云阴影检测的精度。

技术领域

本发明涉及深度学习和遥感影像处理技术领域，具体为基于上下文信息融合的遥感影像云与云阴影检测方法。

背景技术

随着深度卷积神经网络在图像分类及识别方向取得巨大成功，该技术也被引入到遥感影像云检测领域中。早期的基于深度卷积神经网络的云检测方法，如Wohlfarth和Varshney等通过测试周围的图像块来预测每个像素点的类别，这些云检测方法不仅效率低下且存在噪声。为进一步提高空间相干性，Xie等首先将遥感影像的像素进行超像素分割，然后再进行云检测。然而，超像素聚类算法的精度限制基于超像素云检测方法的性能表现。Zi等使用全连接条件随机场对云检测结果进一步优化。然而，这种后处理优化在处理大尺寸遥感影像时，非常耗时。

受到全卷积网络(Fully Convolutional Network，FCN)应用在图像语义分割领域表现出优异性能的启发，基于全卷积网络的云检测方法取得显著的成效。 Long等利用FCN-8方法在Landsat8卫星影像上实现云检测。但是，FCN-8 方法不能准确检测云的边缘细节，信息丢失较多。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于上下文信息融合的遥感影像云与云阴影检测方法，实现对高分一号WFV光学遥感影像云与云阴影的精确检测。设计一种新颖的残差模块(ResBlock-cloud)来捕获全局及局部特征，并防止网络出现退化。设计一种全局上下文融合模块(GCF)，通过密集的跳跃连接来融合不同层级的全局上下文信息并引导其与解码器路径特征进行特征融合。最后，设计一种多尺度上下文融合模块(MCF)，提取云与云阴影之间的多尺度上下文关系。本发明可以有效检测出小面积云块及薄云，并显著提高云阴影检测的精度。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：基于上下文信息融合的遥感影像云与云阴影检测方法，包括：

对遥感影像数据集进行预处理，制作遥感影像所对应的标签，使标签形成与遥感影像对应的掩模图像，将数据集按比例分为训练集、验证集与测试集，将训练集与验证集输入有监督网络进行训练验证；

当Epoch为110-120次时，损失函数达到较低值并保持小幅浮动，验证集的各项指标均取得最高值，保存目标网络模型并停止训练，得到云与云阴影检测模型；

将测试集中的遥感影像输入保存的目标网络模型中进行云与云阴影检测。

优选的，所述目标网络模型引入残差模块(ResBlock-cloud)来捕获全局及局部特征，并防止网络出现退化；设计全局上下文融合模块(GCF)，通过密集的跳跃连接来融合不同层级的全局上下文信息并引导其与解码器路径特征进行特征融合；设计多尺度上下文融合模块(MCF)，提取云与云阴影之间的多尺度上下文关系。

优选的，所述目标网络模型在训练时的实验参数包括：学习率设置为α＝0.0003，衰减率设置为β₁＝0.9和β₂＝0.999，批量大小取经验值设置为8。