一种基于深度学习网络架构的卫星图像云目标提取方法技术

本发明专利技术公开了一种基于深度学习网络架构的卫星图像云目标提取方法，包括以下步骤：S10，获取云目标卫星图像数据，对云目标卫星图像进行预处理，获取带有像素标注的云目标卫星图像数据集，并按比例划分成训练数据集和验证数据集；S20，构建初始提取网络，利用训练数据集对初始提取网络进行训练，将训练后的深度学习网络作为卫星图像云目标提取网络；S30，利用验证数据集验证卫星图像云目标提取网络，获得卫星图像云目标提取结果。本发明专利技术实现了卫星图像云目标准确提取，是一种收敛速度快、实时性强、适应复杂场景及准确率高的卫星图像云目标提取方法，能有效提升卫星遥感图像准确分析能力。力。力。

【技术实现步骤摘要】
一种基于深度学习网络架构的卫星图像云目标提取方法


[0001]本专利技术涉及遥感图像目标提取
，特别涉及一种基于深度学习网络架构的卫星图像云目标提取方法。

技术介绍

[0002]卫星遥感即通过卫星在太空中探测地球地表物体对电磁波的反射和其发射的电磁波，从而提取这些物体的信息，完成远距离物体识别。卫星图像中云的存在对遥感卫星图像的准确分析造成了障碍，使得卫星图像云目标提取识别成为卫星图像预处理关键步骤之一，在各个领域有着广泛的应用前景，尤其在地面信息检测、地理位置探测、城乡规划、导航系统、灾情监测、抗灾救灾部署、环境(石油泄漏或污染)等应用方面。因此，对卫星图像云目标提取展开研究具有十分重要的意义。
[0003]传统的卫星图像云目标提取方法依赖于人工设计阈值且易受复杂背景干扰，存在应用场景单一、识别精度不高、提取效率低及泛化能力差等特点。基于深度学习的方法借助其自主学习参数和自动提取特征的能力，摆脱了对人工设计阈值的依赖，相比于传统方法具有抗干扰性强及提取精度高等优点，特别是在场景复杂多变、目标形态多变的卫星图像云目标提取领域中具有巨大的发展潜力。
[0004]近年来，随着人工智能科技的兴起，针对卫星图像云目标提取领域，已有基于深度学习的CNN（卷积神经网络）、U
‑
net（U型网络）及CloudNet（云网络）等算法应用于卫星图像云目标提取，并且在卫星图像云目标提取场景取得了较优异的表现。然而，现有的研究方法存在网络模型训练时间长、应用场景单一、实时性差以及准确率低等弊端。因此，对于卫星图像云目标提取场景，如何提出一个收敛速度快、实时性强、适应复杂场景、准确率高的卫星图像云目标提取方法，正是亟待解决的技术难题。

技术实现思路

[0005]专利技术目的：针对以上问题，本专利技术目的是提供一种基于深度学习网络架构的卫星图像云目标提取方法，实现卫星图像云目标准确提取，提升卫星遥感图像准确分析能力。
[0006]技术方案：本专利技术的一种基于深度学习网络架构的卫星图像云目标提取方法，包括以下步骤：S10，获取云目标卫星图像数据，对云目标卫星图像进行预处理，获取带有像素标注的云目标卫星图像数据集，并按比例划分成训练数据集和验证数据集；S20，构建初始提取网络，利用训练数据集对初始提取网络进行训练，将训练后的深度学习网络作为卫星图像云目标提取网络；S30，利用验证数据集验证卫星图像云目标提取网络，获得卫星图像云目标提取结果。
[0007]进一步，初始提取网络由输入层、编码器层、解码器层、Conv2R层、平均插值处理层和输出层构成；
其中Conv2R层由二维卷积和修正线性激活函数层构成，解码器层由DecoderL块和二维上采样层构成，DecoderL块由1个连接层、2个Conv2R层和1个注意机制块构成；编码器层包括第一编码器层、第二编码器层、第三编码器层、第四编码器层和第五编码器层；解码器层包括第一解码器层、第二解码器层、第三解码器层和第四解码器层，第一解码器层包括1个DecoderL块和1个二维上采样层，第二解码器层包括2个DecoderL块和2个二维上采样层，第三解码器层包括3个DecoderL块和3个二维上采样层，第四解码器层包括4个DecoderL块和4个二维上采样层。
[0008]进一步，构建初始提取网络包括：将输入层作为输入端，将输入层依次连接第一编码器层、第二编码器层、第三编码器层、第四编码器层和第五编码器层，将第五编码器层的输出端依次连接第一解码器中二维上采样层Up
11
和DecoderL
11
块；将第四编码器的输出端分别连接DecoderL
11
块的输入端和第二解码器中二维上采样层Up
21
的输入端；将第三编码器的输出端分别连接第二解码器中DecoderL
21
块的输入端、DecoderL
22
块的输入端和第三解码器中二维上采样层Up
31
的输入端；将第二编码器的输出端分别连接第三解码器中DecoderL
31
块的输入端、DecoderL
32
块的输入端、DecoderL
33
块的输入端和第四解码器中二维上采样层Up
41
的输入端；将第一编码器的输出端分别连接第四解码器中DecoderL
41
块的输入端、DecoderL
42
块的输入端、DecoderL
43
块的输入端和DecoderL
44
块的输入端；将DecoderL
11
块的输出端连接第二解码器中二维上采样层Up
22
的输入端；将二维上采样层Up
21
的输出端连接DecoderL
21
块的输入端，将二维上采样层Up
22
的输出端连接DecoderL
22
块的输入端，将DecoderL
21
块的输出端分别连接DecoderL
22
块的输入端和第三解码器中二维上采样层Up
32
的输入端，将DecoderL
22
块的输出端连接第三解码器中二维上采样层Up
33
的输入端；将二维上采样层Up
31
的输出端连接DecoderL
31
块的输入端，将二维上采样层Up
32
的输出端连接DecoderL
32
块的输入端，将二维上采样层Up
33
的输出端连接DecoderL
33
块的输入端，将DecoderL
31
块的输出端分别连接DecoderL
32
块的输入端和第四解码器中二维上采样层Up
42
的输入端，将DecoderL
32
块的输出端分别连接DecoderL
33
块的输入端和第四解码器中二维上采样层Up
43
的输入端，将DecoderL
33
块的输出端连接第四解码器中二维上采样层Up
44
的输入端；将二维上采样层Up
41
的输出端连接DecoderL
41
块的输入端，将二维上采样层Up
42
的输出端连接DecoderL
42
块的输入端，将二维上采样层Up
43
的输出端连接DecoderL
43
块的输入端，将二维上采样层Up
44
的输出端连接DecoderL
44
块的输入端，将DecoderL
41
块的输出端分别连接DecoderL
42
块的输入端和Conv2R1层的输入端，将DecoderL
42
块的输出端分别连接Decoder本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络架构的卫星图像云目标提取方法，其特征在于，包括以下步骤：S10，获取云目标卫星图像数据，对云目标卫星图像进行预处理，获取带有像素标注的云目标卫星图像数据集，并按比例划分成训练数据集和验证数据集；S20，构建初始提取网络，利用训练数据集对初始提取网络进行训练，将训练后的深度学习网络作为卫星图像云目标提取网络；S30，利用验证数据集验证卫星图像云目标提取网络，获得卫星图像云目标提取结果；初始提取网络由输入层、编码器层、解码器层、Conv2R层、平均插值处理层和输出层构成；其中Conv2R层由二维卷积和修正线性激活函数层构成，解码器层由DecoderL块和二维上采样层构成，DecoderL块由1个连接层、2个Conv2R层和1个注意机制块构成；编码器层包括第一编码器层、第二编码器层、第三编码器层、第四编码器层和第五编码器层；解码器层包括第一解码器层、第二解码器层、第三解码器层和第四解码器层，第一解码器层包括1个DecoderL块和1个二维上采样层，第二解码器层包括2个DecoderL块和2个二维上采样层，第三解码器层包括3个DecoderL块和3个二维上采样层，第四解码器层包括4个DecoderL块和4个二维上采样层。2.根据权利要求1所述的卫星图像云目标提取方法，其特征在于，构建初始提取网络包括：将输入层作为输入端，将输入层依次连接第一编码器层、第二编码器层、第三编码器层、第四编码器层和第五编码器层，将第五编码器层的输出端依次连接第一解码器中二维上采样层Up
11
和DecoderL
11
块；将第四编码器的输出端分别连接DecoderL
11
块的输入端和第二解码器中二维上采样层Up
21
的输入端；将第三编码器的输出端分别连接第二解码器中DecoderL
21
块的输入端、DecoderL
22
块的输入端和第三解码器中二维上采样层Up
31
的输入端；将第二编码器的输出端分别连接第三解码器中DecoderL
31
块的输入端、DecoderL
32
块的输入端、DecoderL
33
块的输入端和第四解码器中二维上采样层Up
41
的输入端；将第一编码器的输出端分别连接第四解码器中DecoderL
41
块的输入端、DecoderL
42
块的输入端、DecoderL
43
块的输入端和DecoderL
44
块的输入端；将DecoderL
11
块的输出端连接第二解码器中二维上采样层Up
22
的输入端；将二维上采样层Up
21
的输出端连接DecoderL
21
块的输入端，将二维上采样层Up
22
的输出端连接DecoderL
22
块的输入端，将DecoderL
21
块的输出端分别连接DecoderL
22
块的输入端和第三解码器中二维上采样层Up
32
的输入端，将DecoderL
22
块的输出端连接第三解码器中二维上采样层Up
33
的输入端；将二维上采...

【专利技术属性】
技术研发人员：黄柏圣，杨金鹏，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：