一种多尺度特征融合和对齐的域自适应云检测方法技术

本发明专利技术涉及一种多尺度特征融合和对齐的域自适应云检测方法，所述方法包括以下步骤：多尺度特征融合和对齐的域自适应云检测准备工作、构建与训练多尺度特征融合和对齐的域自适应云检测模型、对多尺度特征融合和对齐的域自适应云检测模型测试和求解。与现有技术相比，通过构建多尺度特征融合和对齐的域自适应网络，及提出的多尺度特征融合模块和特征对齐模块。与现有云检测技术相比，本发明专利技术解决了现有云检测技术对于碎云及边界检测困难，并且使云检测网络生成源和目标域数据集的域不变特征，从而解决由于域差异导致的难以将源训练模型推广至目标数据集的问题。型推广至目标数据集的问题。

【技术实现步骤摘要】
一种多尺度特征融合和对齐的域自适应云检测方法


[0001]本专利技术涉及光学遥感影像处理
，具体来说是一种多尺度特征融合和对齐的域自适应云检测方法。

技术介绍

[0002]云是大气中的自然现象，常出现在光学卫星获取的遥感影像中。在气象领域，云检测作为反演大气及地表各种参数的预处理工作，它的分布直接影响到其他参数的反演结果。由于云是重要的气象和气候要素之一，通过云的分布不但可以帮助发现危险的气候现象，如暴雨、飓风及龙卷风，还可以跟踪气象条件的变化；而对于地表观测任务，由于60％的地球表面被云层覆盖，获取的光学遥感图像经常受到云层的污染，造成原始物体的光谱失真，影响遥感影像和产品的判读，干扰信息提取。因此，通过云检测提高遥感图像质量至关重要。
[0003]云检测旨在识别和区分遥感图像中的云像素和无云像素。大多数现有的深度模型(尤其是深度神经网络)由固定尺度的感受野构成的，能够检测大多数具有大规模边界的云，很难处理具有不稳定边界尺度的云，比如往往忽略小尺寸的云。而且云场景的多样性和云的多变性使云检测面临着一些挑战。对于在不均匀土地上充满本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度特征融合和对齐的域自适应云检测方法，其特征在于，包括以下步骤：11）多尺度特征融合和对齐的域自适应云检测准备工作：对源域遥感卫星影像和目标域遥感卫星影像根据含云量分类，按一定比例挑选各个百分比的影像数据；对源域遥感卫星影像和目标域遥感卫星影像进行波段合并、裁剪等预处理；对源域遥感卫星影像标签进行归一化预处理；12）构建与训练多尺度特征融合和对齐的域自适应云检测模型：构建多尺度特征融合和对齐的域自适应云检测模型，将预处理后的遥感影像以及标签输入多尺度特征融合和对齐的域自适应云检测模型中进行训练，得到训练好的多尺度特征融合和对齐的域自适应云检测模型；13）对多尺度特征融合和对齐的域自适应云检测模型测试和求解：将未被大量标记的目标域遥感卫星影像输入到训练好的多尺度特征融合和对齐的域自适应云检测模型中进行模型测试并得到云检测预测分割结果。2.根据权利要求1所述的一种多尺度特征融合和对齐的域自适应云检测方法，其特征在于，所述多尺度特征融合和对齐的域自适应云检测准备工作包括以下步骤：21）将源域遥感卫星影像和目标域遥感卫星影像的B4、B3、B2波段合并预处理为RGB三通道影像；22）将源域遥感卫星影像及标签和目标域遥感卫星影像进行不重叠裁剪，裁剪为321
×
321的固定大小；23）将源域遥感卫星影像标签像素值归一化：0、64、128为0,代表干净像素，192、256为1，代表云像素，得到二值单通道标签影像；24）将处理后的影像导出成.tif格式；25）将处理后的影像按照含云量百分比平均挑选训练集影像，以保证正负样本平衡。3.根据权利要求1所述的一种多尺度特征融合和对齐的域自适应云检测方法，其特征在于，所述构建与训练多尺度特征融合和对齐的域自适应云检测模型包括以下步骤：31）其中构建多尺度特征融合和对齐的域自适应云检测模型的具体步骤如下：311）构建用于提取抽象特征的编码器结构，其编码器结构包括一个普通3x3卷积层，一个批归一化层，一个RELU线性激活单元以及resnet34的前四层构成的四个下采样块；312）构建用于产生融合的多尺度特征的多尺度融合模块；其多尺度融合模块包括4个膨胀率不同的空洞卷积层和1个图像池化操作；四个空洞率为1、6、12、18，产生具有不同接收野的特征；一个图像池模块生成通道特征；得到五个平行输出并通过一次拼接运算和一次1
×
1卷积得到多尺度特征；313）构建用于从不同尺度的特征中恢复云掩膜的解码器结构，其解码器结构包括四个普通3x3卷积层，一个批归一化层，一个RELU线性激活单元构成的上采样块；314）构建用于将不同尺度的浅层空间信息和深层语义信息结合起来的跳跃连接结构，其跳跃连接结构为拼接两个输入为一个输出；315）构建用于减少对标签数据依赖的域自适应框架结构，其域自适应框架结构为输入来自两个不同卫星的云图但共享用于分割的云检测模型框架；316）构建用于指导类相关特征选择的特征选择结构，其特征选择结构利用分割网络的
预测得分图得到用于分组对齐的空间注意图；317）构建用于缩小源和目标域之间的特征分布差距以获得域不变特征表示的分组特征对齐结构，其分组特征对齐结构将从网络的第k个隐层提取与云相关的特征映射分成一系列组，对源域和目标域的每个分组特征分别使用对抗学习策略；318）首先将原始源域遥感卫星影像和目标域遥感卫星影像分别经过编码器结构，再将其经过一次多尺度特征融合结构，将多尺度特征融合结构的输出经过解码器结构，之后通过跳跃连接结构将编码器第四次下采样连接解码器第一次上采样，通过跳跃连接结构将第三次下采样连接第二次上采样，通过跳跃连接结构将第二次下采样连接第三次上采样，通过跳跃连接结构将第一次下采样连接第四次上采样，将跳跃连接拼接后的最后两层源域输出与目标域输出经过特征对齐模块，最后经过小尺寸普通卷积结构完成整个模型的搭建；32）其中训练多尺度特征融合和对齐的域自适应云检测模型的具体步骤如下：321）将预处理后的源域遥感卫星影像以及标签和目标域遥感卫星影像输入云检测模型中；322）执行一次编码器结构得到四个下采样输出；执行一个卷积核为3x3的普通卷积层，一个批归一化层，一个RELU线性激活单元以及resnet34的layer1得到第一个下采样输出；对第一个下采样输出执行resnet34的layer2得到第二个下采样输出；对第二个下采样输出执行resnet34的layer2得到第三个下采样输出；对第三个下采样输出执行resnet34的layer2得到第四个下采样输出；323）对第四个下采...

【专利技术属性】
技术研发人员：徐凯，王文昕，张飞翔，
申请(专利权)人：安徽大学，
类型：发明
国别省市：