一种基于全卷积神经网络的遥感图像云检测方法及装置制造方法及图纸

本发明专利技术涉及遥感检测领域，具体涉及一种基于全卷积神经网络的遥感图像云检测方法及装置。该方法及装置选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；构建SP‑HRNet网络模型，网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；使用网络参数模型进行遥感图像云检测。该方法及装置能够一直保持多个分辨率的子网络，这样使得在对图像进行特征提取过程中信息不会被丢失，同时加深网络深度，结合深度可分离卷积，提高网络对特征的提取能力，丰富检测结果的细节信息，提高云检测的精度。

A cloud detection method and device of remote sensing image based on full convolution neural network

【技术实现步骤摘要】
一种基于全卷积神经网络的遥感图像云检测方法及装置
本专利技术涉及遥感检测领域，具体而言，涉及一种基于全卷积神经网络的遥感图像云检测方法及装置。
技术介绍
根据国际卫星云气候计划ISCCP提供的全球云量数据显示，云覆盖了全球60％以上的地球表面。因此遥感影像在成像过程中极其容易受到云层的遮挡，导致原物地物光谱失真，对影像的信息提取造成很大的影响。目前已有的云检测方法大致可以概括为光谱阈值法、空间纹理分析法、模式识别检测法以及机器学习方法等。基于光谱阈值的云检测方法是研究历史最久远的方法，主要通过提取每个像素的各种光谱特征，然后使用一个或多个阈值确定云掩膜。这种方法一般具有计算简单的特点，但是它是依据某些光谱谱段的数据进行检测，所以一般仅局限于特定的遥感数据，普适性较差。基于空间纹理的云检测方法主要是利用了像素空间信息的相互关系进行云检测，其对不同传感器的适应性优于光谱阈值法。然而云的形态特征多种多样，在下垫面和似云地物的干扰下，如何选取合适的纹理特征以便得到较高的提取精度依然存在很大的困难。模式识别法依赖正确的训练数据集和特征的组合来确定方法的性本文档来自技高网...

【技术保护点】
1.一种基于全卷积神经网络的遥感图像云检测方法，其特征在于，包括以下步骤：/n选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；/n构建SP-HRNet网络模型，所述网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；/n训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；/n使用网络参数模型进行遥感图像云检测。/n

【技术特征摘要】
1.一种基于全卷积神经网络的遥感图像云检测方法，其特征在于，包括以下步骤：
选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；
构建SP-HRNet网络模型，所述网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；
训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；
使用网络参数模型进行遥感图像云检测。


2.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述连续并行的多分辨率子网络包含多个子网络且分为多个阶段；多个子网络通过其分辨率由高到低分布且依次串联，并形成多个卷积；相邻两个子网络之间有一个下采样层，将分辨率减半；从与原图相同分辨率的子网络开始作为第一个阶段，之后通过步长为2的卷积逐步增加高分辨率到低分辨率的子网络，形成新的阶段，并将多个分辨率的子网络并行连接。


3.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述重复多尺度融合模块被配置为：所述网络模型在并行子网络之间引入交换单元，子网络的每个阶段之间可重复地接收其他阶段的特征提取信息，并进行多尺度融合，把高分辨率信息融入低分辨特征层。


4.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述与深度可分离卷积结合模块被配置为：深度可分离卷积首先使用卷积核将特征图的各个通道映射到一个新的空间，再通过另一卷积核进行卷积，通过深度可分离卷积实现通道和空间的分离。


5.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述训练集输入网络模型进行训练，得...

【专利技术属性】
技术研发人员：林创，陈劲松，李洪忠，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44