[发明专利]基于马尔可夫判别器的非成对弱监督云检测方法及系统

说明书

本发明涉及遥感图像处理领域，具体公开了一种基于马尔可夫判别器的非成对弱监督云检测方法及系统，包括：通过获取有云遥感图像和无云遥感图像，并将其作为训练集，构建云检测网络，从有云遥感图像中选取第一样本输入云检测网络，进行不准确监督，生成粗略置信图；从无云遥感图像中选取第二样本输入云检测网络，进行不准确监督，并通过学习第二样本的先验特征来修正粗略置信图，然后进行反向传播，更新云检测网络的网络参数，得到训练好的云检测网络，根据训练好的云检测网络，确定最终置信图，基于最终置信图确定二值云检测结果。本发明中的上述方案解决了成对监督必须使用成对标签和因像素级标签不足导致分割精度不高的问题。

技术领域

本发明涉及遥感图像处理领域，特别是涉及一种基于马尔可夫判别器的非成对弱监督云检测方法及系统。

背景技术

随着遥感技术的快速发展，利用遥感图像获取地球空间信息颇有研究意义和应用价值。但是，遥感图像极易受到云层覆盖的影响，导致部分信息丢失，影响后续目标识别或检测等任务的效果。为了解决这个问题，近年来提出了许多云检测方法，大致可以分为两类：一类是基于传统的数学及统计学分析的图形学方法，另外一类是基于数据驱动的深度学习算法。其中，基于传统的数学及统计学分析的图形学方法大致又可以分为三类：基于高光谱信息的方法、基于阈值的方法和基于机器学习分类的方法。基于高光谱信息的方法利用高光谱遥感图像的多波段信息来检测云区域，从而高度依赖传感器模型，不能使用类似的假设推广到不同的传感器上，并且此方法不适合处理RGB遥感图像；基于阈值的方法有单一阈值、自动云层覆盖评估(Automated Cloud Cover Assessment，ACCA)、双通道动态阈值、通道综合运算、Fmask云检测算法等。这些方法有一个共同存在的问题即易受地理环境的影响。基于机器学习分类的方法不需要确定图像的阈值，近年来越来越多地被应用于云区域检测。然而，基于机器学习的方法须手动选择有利的特征，使得基于经典机器学习的方法难以更加高效地提取遥感图像更高级别的语义信息。随着场景的复杂化，基于机器学习的方法的精度也会随之降低。

使用基于数据驱动的深度学习算法检测云区域不需要人工选择云特征，而是利用卷积神经网络(Convolutional Neural Networks,CNN)对云特征进行自动提取。很多基于深度学习的遥感云检测方法将遥感图像切分为多个遥感图像块，并将云检测任务建模为图像分类问题，然后利用CNN进行图像特征提取，从而实现云检测。这类方法精度比基于传统的数学及统计学分析的图形学方法高，但是当遥感图像同时包含云和无云的情况下会造成较大误差。

除此之外，大部分深度学习模型都使用监督学习来训练，这类模型对云遥感图像及其对应的标签值依赖性很强，需要花费大量的人力资源才能获得像素级精细的标签值。而成对的、像素级人工标记的标签图像的获取代价非常昂贵，几乎成为制约这类方法发展的瓶颈问题。

为了缓解因像素级标签不足导致分割精度不高的问题，许多基于弱监督学习的云检测方法不断被提出。通过生成对抗网络(Generative Adversarial Network,_GAN)就可以生成大量用来训练的含云遥感图像，从而避免了大量的人工标注。交错感知自编码器可以整合异构信息，不依赖标签数据来提高两类数据的联合分割性能。上述方法在一定程度上缓解了过度依赖标签值的问题，但仍不能满足目前通过云检测获取地球空间信息的需求。

发明内容

本发明的目的是提供一种基于马尔可夫判别器的非成对弱监督云检测方法及系统，可以摆脱成对监督必须使用成对标签和因像素级标签不足导致图像分割精度不高的问题，得到更精准的云检测结果。

为实现上述目的，本发明提供了如下方案：

一种基于马尔可夫判别器的非成对弱监督云检测方法，所述云检测方法包括：

步骤1：获取有云遥感图像和无云遥感图像，并将所述有云遥感图像和无云遥感图像作为训练集；

步骤2：设置云检测网络参数；