[发明专利]一种基于卷积神经网络的遥感图像云检测方法

摘要

一种基于卷积神经网络的遥感图像云检测方法，它包括以下步骤：一、训练样本集建立；二、卷积神经网络分类模型生成；三、超像素子区提取；四、云概率图生成；五、云区粗检测；六、云区精检测；通过以上步骤，我们可以比较正确地检测出遥感图像中的云区域，并且对于具有复杂背景或者含有半透明云的遥感图像，也能取得较好的检测结果，从而可以解决云可能给分析人员造成的错误判断和分析等问题，为其后续的处理及分析带来了便利。本发明能使最终的云检测结果中云区域有较好的边缘,对复杂场景也有着较好的鲁棒性，从而能得到更好的检测结果。

主权项

1.一种基于卷积神经网络的遥感图像云检测方法，其特征在于：它包括以下步骤：步骤一：训练样本集建立首先为选定的样本图像人工标注真值，将云区域标注出来，然后从云区选取N个大小为K×K的子块作为正样本，从非云区选取6*N个大小为K×K的子块作为负样本，其中N大于10000，K为35‑75；步骤二：卷积神经网络分类模型生成建立一个具有6层的卷积神经网络，其中前4层为卷积层，后2层为全连接层；网络的输入是大小为K×K的RGB三通道遥感图像子块，网络的输出是两个数值，分别表示是云的概率和非云的概率；将步骤一中选取的所有样本作为该卷积神经网络的输入，对该网络进行训练，得到网络所需的所有参数；步骤三：超像素子区提取通过简单的线性迭代聚类算法即SLIC对测试图像进行超像素聚类分割；聚类算法在一个5维空间进行，这5个维度分别为CIELab颜色空间的L，a，b值，以及像素的x，y坐标值，然后在这个5维空间中构造距离度量标准，如下式所示：其中Ds表示第i个像素和第j个像素的距离，α表示控制颜色重要性和坐标重要性的权值，Size表示一个超像素中像素的个数；然后利用Ds对图像像素进行局部聚类，将图像划分为若干个超像素子区；步骤四：云概率图生成对每个超像素子区，随机选取5个像素点，然后以这5个像素点为中心提取5个大小为K×K的块，分别将这5个块作为卷积神经网络的输入进行计算，得到这5个块是云的概率，取这5个概率的平均值作为该超像素最终的云概率值；对每个超像素进行该操作，即得到原图像的云概率图；步骤五：云区粗检测云概率图中，云区的概率值接近于1；而非云区的概率值接近于0；用阈值0.5对云概率图进行初步分割，即得到云区的粗检测结果；步骤六：云区精检测云区边界处的对比度比较弱，其对应的云概率值也介于云和非云的概率值之间，因此，在步骤五中采用0.5作为阈值会出现云区边界位置误检的情况；为了得到更精确的云区边界，对步骤五中得到的云区域进行进一步求精；考虑到两个相邻超像素的云概率是有联系的，且概率值是从云的中心向四周递减的，因此定义云区的概率梯度，并通过概率梯度的变化对云区进行精确检测；对于云概率值大于0.5的超像素a，设pro为其云概率值，统计a的邻域中云概率值大于pro的超像素个数，记为m，且用prok(k＝1,2,…,m)代表这m个邻域的云概率值，则超像素a的概率梯度pronew定义为下式：当一个超像素的概率梯度很大的时候，说明它的邻域超像素的云概率与该超像素是相近的，这时就把它当作云，否则为非云；因此，设定一个阈值t来对云区域的边界进行精化；若一个超像素的概率梯度pronew小于t，则其有可能是云区中的噪声或者是非云区，因此将其判定为非云，否则判定为云；因为精化后的云概率将变大，所以t应该大于0.5；通过以上步骤，能正确地检测出遥感图像中的云区域，并且对于具有复杂背景及含有半透明云的遥感图像，也能取得好的检测结果，从而解决云可能给分析人员造成的错误判断和分析问题，为其后续的处理及分析带来了便利。