本发明专利技术公开了一种基于遥感图像的云检测方法及装置，其中的方法基于深度神经网络实现，通过卷积特征提取层、图像数据嵌入层、自注意力特征提取层、上采样层、云边缘后处理层实现遥感图像云检测。本发明专利技术提供的基于遥感图像的云检测方法，提升了对云层边缘信息和小云层的云检测效果，提高了云检测效率和准确度。提高了云检测效率和准确度。提高了云检测效率和准确度。
【技术实现步骤摘要】
一种基于遥感图像的云检测方法及装置
[0001]本专利技术涉及图像处理和深度学习
，尤其涉及一种基于遥感图像的云检测方法及装置。
技术介绍
[0002]遥感图像中普遍存在云层遮挡现象，这会造成拍摄的地物不完整并且缺失部分有用信息，同时导致地物目标的检测和物理参数的估算出现偏差。云检测算法用于检测遥感图像中的云层，云检测任务的高质量完成可以帮助提高遥感图像质量，提升数据可用率，减少或者消除云层遮掩带来的负面影响。
[0003]随着深度学习技术的发展，采用深度神经网络对遥感图像进行云检测在天气预报、能源勘探、精细农业以及自然灾害系统监测等多个领域具有重要作用，如何更好地提升云检测性能一直是遥感图像处理领域的热点研究。现有的云检测方法存在对小云层漏检和对云层边缘误检等情况，云层边缘形状复杂，难以生成清晰的云层轮廓。
技术实现思路
[0004]本专利技术提供了一种基于遥感图像的云检测方法及装置，用以解决或者至少部分解决现有技术中存在的云检测效果不佳的技术问题。
[0005]为了解决上述技术问题，本专利技术第一方面提供了一种基于遥感图像的云检测方法，包括：
[0006]S1：获取原始多光谱遥感图像，并划分为训练集和测试集；
[0007]S2：构建深度神经网络，该深度神经网络包括卷积特征提取层、图像数据嵌入层、自注意力特征提取层、上采样层和云边缘后处理层，其中，卷积特征提取层用于根据输入的多光谱遥感图像得到多光谱图像卷积特征数据，图像数据嵌入层用于根据多光谱图像卷积特征数据得到嵌入图像像素位置信息的分块图像数据，自注意力特征提取层用于根据嵌入图像像素位置的分块图像数据得到图像的底层卷积特征，上采样层用于根据图像底层卷积特征得到初步云检测结果，云边缘后处理层用于根据初步云检测结果得到最终云检测结果；
[0008]S3：将划分得到的训练集作为输入对构建的深度神经网络进行训练，得到训练好的深度神经网络；
[0009]S4：将测试集中的多光谱遥感图像输入训练好的深度神经网络进行检测。
[0010]在一种实施方式中，步骤S1包括：
[0011]S11：对获取的原始多光谱遥感图像进行云像素标注，得到对应的标签图像，原始多光谱遥感图像与标签图像一一对应；
[0012]S12：将原始多光谱遥感图像和对应的标签图像划分为训练集和测试集。
[0013]在一种实施方式中，步骤S3的训练过程中，卷积特征提取层的处理过程包括：
[0014]S21：输入训练集中的图像数据，对图像进行卷积操作，得到浅层图像特征数据；
[0015]S22：对步骤S21得到的浅层图像特征数据进行卷积操作，得到中层图像特征数据；
[0016]S23：对步骤S22得到的中层图像特征数据进行卷积操作，得到深层图像特征数据，浅层图像特征数据、中层图像特征数据和深层图像特征数据的整体构成多光谱图像卷积特征数据。
[0017]在一种实施方式中，步骤S3的训练过程中，图像数据嵌入层的处理过程包括：
[0018]S31：将深层图像特征数据进行分块，得到非重叠的子块；
[0019]S32：提取所有非重叠的子块在深层图像特征数据中的坐标信息，并将所述坐标信息与对应的非重叠的子块数据相加，得到嵌入图像像素位置信息的分块图像数据。
[0020]在一种实施方式中，自注意力特征提取层包括多个单层自注意力层和一个全连接层，步骤S3的训练过程中，自注意力特征提取层的处理过程包括：
[0021]S41：输入嵌入图像像素位置信息的分块图像数据，乘以随机权重参数矩阵得到序列向量；
[0022]S42：将序列向量输入到单层自注意力层，提取单层自注意力特征；
[0023]S43：将多个单层自注意力特征进行拼接，实现自注意力特征提取，再经过全连接层降维输出得到图像底层卷积特征。
[0024]在一种实施方式中，步骤S3的训练过程中，上采样层的处理过程包括：
[0025]S51：对图像底层卷积特征进行反池化上采样操作，并与步骤S23中得到的深层图像特征进行拼接，得到第一特征融合图；
[0026]S52：对步骤S51得到的第一特征融合图进行反池化上采样操作，并与步骤S22中得到的中层图像特征进行拼接，得到第二特征融合图；
[0027]S53：对步骤S52中得到的第二特征融合图进行反池化上采样操作，并与步骤S21中得到的浅层图像特征进行拼接，得到第三特征融合图；
[0028]S54：对步骤S53得到的第三特征融合图通过三层1
×
1卷积降维，得到初步云检测结果。
[0029]在一种实施方式中，云边缘后处理层包括边缘检测模块和支持向量机，步骤S3的训练过程中，云边缘后处理层的处理过程包括：
[0030]S61：通过边缘检测模块对上采样层输出的初步云检测结果进行边缘检测，得到云的边缘像素点；
[0031]S62，将云的边缘像素点的初步云检测结果作为输入，对应位置的标签值作为输出，送入支持向量机，得到云边缘特征预测结果。
[0032]基于同样的专利技术构思，本专利技术第二方面提供了一种基于遥感图像的云检测装置，包括：
[0033]数据获取模块，用于获取原始多光谱遥感图像，并划分为训练集和测试集；
[0034]网络构建模块，用于构建深度神经网络，该深度神经网络包括卷积特征提取层、图像数据嵌入层、自注意力特征提取层、上采样层和云边缘后处理层，其中，卷积特征提取层用于根据输入的多光谱遥感图像得到多光谱图像卷积特征数据，图像数据嵌入层用于根据多光谱图像卷积特征数据得到嵌入图像像素位置信息的分块图像数据，自注意力特征提取层用于根据嵌入图像像素位置的分块图像数据得到图像的底层卷积特征，上采样层用于根据图像底层卷积特征得到初步云检测结果，云边缘后处理层用于根据初步云检测结果得到
最终云检测结果；
[0035]训练模块，用于将划分得到的训练集作为输入对构建的深度神经网络进行训练，得到训练好的深度神经网络；
[0036]检测模块，用于将测试集中的多光谱遥感图像输入训练好的深度神经网络进行检测。
[0037]基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
[0038]基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0039]相对于现有技术，本专利技术的优点和有益的技术效果如下：
[0040]本专利技术提供的遥感图像云检测方法，构建了用于云检测的深度神经网络，该网络包括卷积特征提取层、图像数据嵌入层、自注意力特征提取层、上采样层和云边缘后处理层，针对遥感图像的云检测任务进行算法改进，提升了小云层和云层边界的预测准确度，有效优化了云检测预测图，减少边缘区域的误检，实现了遥感图像的精本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于遥感图像的云检测方法，其特征在于，包括：S1：获取原始多光谱遥感图像，并划分为训练集和测试集；S2：构建深度神经网络，该深度神经网络包括卷积特征提取层、图像数据嵌入层、自注意力特征提取层、上采样层和云边缘后处理层，其中，卷积特征提取层用于根据输入的多光谱遥感图像得到多光谱图像卷积特征数据，图像数据嵌入层用于根据多光谱图像卷积特征数据得到嵌入图像像素位置信息的分块图像数据，自注意力特征提取层用于根据嵌入图像像素位置的分块图像数据得到图像的底层卷积特征，上采样层用于根据图像底层卷积特征得到初步云检测结果，云边缘后处理层用于根据初步云检测结果得到最终云检测结果；S3：将划分得到的训练集作为输入对构建的深度神经网络进行训练，得到训练好的深度神经网络；S4：将测试集中的多光谱遥感图像输入训练好的深度神经网络进行检测。2.如权利要求1所述的基于遥感图像的云检测方法，其特征在于，步骤S1包括：S11：对获取的原始多光谱遥感图像进行云像素标注，得到对应的标签图像，原始多光谱遥感图像与标签图像一一对应；S12：将原始多光谱遥感图像和对应的标签图像划分为训练集和测试集。3.如权利要求1所述的基于遥感图像的云检测方法，其特征在于，步骤S3的训练过程中，卷积特征提取层的处理过程包括：S21：输入训练集中的图像数据，对图像进行卷积操作，得到浅层图像特征数据；S22：对步骤S21得到的浅层图像特征数据进行卷积操作，得到中层图像特征数据；S23：对步骤S22得到的中层图像特征数据进行卷积操作，得到深层图像特征数据，浅层图像特征数据、中层图像特征数据和深层图像特征数据的整体构成多光谱图像卷积特征数据。4.如权利要求3所述的基于遥感图像的云检测方法，其特征在于，步骤S3的训练过程中，图像数据嵌入层的处理过程包括：S31：将深层图像特征数据进行分块，得到非重叠的子块；S32：提取所有非重叠的子块在深层图像特征数据中的坐标信息，并将所述坐标信息与对应的非重叠的子块数据相加，得到嵌入图像像素位置信息的分块图像数据。5.如权利要求1所述的基于遥感图像的云检测方法，其特征在于，自注意力特征提取层包括多个单层自注意力层和一个全连接层，步骤S3的训练过程中，自注意力特征提取层的处理过程包括：S41：输入嵌入图像像素位置信息的分块图像数据，乘以随机权重参数矩阵得到序列向量；S42：将序列向量输入到单层自注意力层，提取单层自注意力特征；S43：将多个单层自注意力特征进行拼接，实现自注意力特...
【专利技术属性】
技术研发人员：石文轩，朱燕阳，唐雯，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。