一种小样本光学遥感影像快速云判方法、系统、计算机及存储介质技术方案

本发明专利技术公开了一种小样本光学遥感影像快速云判方法、系统、计算机及存储介质，以EfficientNet轻量化网络结合CBAM注意力结构作为编码器，以UNet++网络作为解码器，构建光学遥感影像快速云判模型；基于高分一号开源数据集GF1_WHU构建源域训练集和验证集，以光学遥感影像为输入，以云判真值掩膜为输出，进行光学遥感影像快速云判预训练；基于高分二号云判数据集构建目标域训练集和验证集，通过迁移学习策略进行网络权重微调和剪枝，得到小样本光学遥感影像快速云判模型，用于光学遥感影像的云判和精细云掩膜提取。本发明专利技术云判掩膜提取精度高、云掩膜边缘较为完整，模型推理速度快、效率高，在少样本情况下能实现较好的云判效果。果。果。

【技术实现步骤摘要】
一种小样本光学遥感影像快速云判方法、系统、计算机及存储介质


[0001]本专利技术涉及光学遥感卫星影像处理技术，具体涉及一种小样本光学遥感影像快速云判方法、系统、计算机及存储介质。

技术介绍

[0002]近些年，随着遥感技术的迅速发展及广泛应用，对地观测数据量迅速增长。然而，光学遥感传感器受其成像机理所限，导致获取到的一大部分光学遥感影像中存在地物被云覆盖的现象，观测信息的缺失情况影响了利用相关遥感影像进行地物识别、分类，影像匹配、融合等应用的效果。因此，发展光学遥感影像的云判别技术，判别光学遥感影像观测信息缺失程度，一直是利用光学遥感影像的关键一步。
[0003]目前已经提出的光学遥感影像云判别方法大体上分为光谱阈值法、传统机器学习方法、深度学习方法。专利1[刘莉,董学志,姜河,等.一种遥感卫星图像的云判方法及系统:,CN105426903A[P].2015.]提出了一种灰度阈值分割及基于分块图像纹理特征的支持向量机分类器的相结合的方法，实现对可见光遥感卫星影像的云判别。该方法过于依赖先验知识，且基于分块的特征提取及分类会导致云检测结果呈现分块现象，无法获得精细的云判别掩膜结果。本专利技术主要涉及遥感影像云判别的深度学习方法，故将重点阐述基于深度学习方法进行遥感影像云判别的现状。专利2[史振威,吴犀,邹征夏,等.一种基于全卷积神经网络复合特征的遥感影像云判方法:,CN108932474A[P].2018.]提出了一种使用VGG16模型全卷积神经网络并提取复合特征，从而实现遥感图像的云判别的方法。专利3[刘怡俊,杨培超,叶武剑,等.一种基于UNET神经网络的遥感图像云检测方法:,CN110598600A[P].2019.]采用UNET网络的跨层连接设计，进行特征融合，采用ENVI对遥感数据进行云标注，在数据增强后进行训练和推理。专利4[蔡永维.基于语义分割的高分遥感图像云检测方法和装置:,CN113743300A.2021]提出了一种基于CBAM注意力机制改进的Resnet模型，去构成SegNet网络的骨干，并结合FCN结构进行跨层融合实现高精度云掩膜的语义分割。光学遥感图像尺寸较大，采用以上方法进行图像分块云判别往往耗时较长；另外，上述算法网络的训练比较依赖训练的数据量，在实际获取的数据量较小时，可用于语义分割的训练集较少的情况下，仅仅通过数据扩增，很难达到较好效果。

技术实现思路

[0004]本专利技术的目的在于提供一种小样本光学遥感影像快速云判方法、系统、计算机及存储介质，以解决现有云判方法光谱阈值和传统机器学习方法中云判精度较低而其他深度学习方法运行效率不高、不适用小样本情况。
[0005]实现本专利技术目的的技术解决方案为：一种小样本光学遥感影像快速云判方法，包括如下步骤：
[0006]步骤1，以EfficientNet轻量化网络结合CBAM注意力结构作为编码器，以UNet++网
络作为解码器，构建光学遥感影像快速云判模型，其中EfficientNet轻量化网络包括1个PreStage模块和4个Block模块，各Block模块采用CBAM注意力模块替代SE注意力模块，并增加了跨层连接结构，从1*1卷积前直接连接到输出；
[0007]步骤2，基于高分一号开源数据集GF1_WHU构建源域训练集和验证集，以光学遥感影像为输入，以云判别掩膜为输出，进行光学遥感影像快速云判预训练；
[0008]步骤3，基于高分二号云判数据集构建目标域训练集和验证集，通过迁移学习策略进行网络权重微调和剪枝，得到小样本光学遥感影像快速云判模型，用于光学遥感影像的云判和精细云掩膜提取。
[0009]进一步的，各Block包括两条分支，一条分支中输入特征图先经过1x1卷积将维度变大，再用3x3卷积核的深度可分离卷积方式做卷积运算，随后利用CBAM注意力模块进行特征图中关键位置的感知和强化，再使用1x1的卷积运算将其维度缩小，并利用随机丢弃操作抑制模型的过拟合；另一条分支通过跨层连接结构将输入特征图连接到随机丢弃操作模块，与随机丢弃操作后的特征图进行叠加，从而使多层特征能更好的组合。
[0010]进一步的，确定Block块模型参数的具体方法如下：
[0011]在基础网络EfficientNet
‑
B0上，通过设置不同宽度、深度参数以及随机丢弃参数，获得缩放后的EfficientNet
‑
B0～B6，如表1所示；
[0012]表1 EfficientNet结构参数选择
[0013][0014]在GF1_WHU公开数据集上，分别采用基于EfficientNet
‑
B0～B6结构的编码器进行训练和测试，选择评估精度最高的EfficientNet结构构建最终的编码器结构。
[0015]进一步的，选取EfficientNet
‑
B1结构作为编码器结构。
[0016]进一步的，CBAM注意力模块分为通道注意力和空间注意力两个部分，两者串行级联，其中：
[0017]通道注意力结构对该结构输入特征图先在宽度和高度方向上进行全图平均池化和最大池化聚类特征映射的空间信息，经全连接多层感知机结构后，逐元素进行求和合并操作，从而产生通道的注意力图；
[0018]空间注意力结构对通道注意力与输入特征图相乘的通道注意力图矩阵进行压缩，在图像的通道维度上进行平均池化和最大池化，然后将得到的两个通道数为1的特征图进行拼接合成输出特征。
[0019]一种小样本光学遥感影像快速云判系统，基于所述的小样本光学遥感影像快速云判方法，实现小样本光学遥感影像快速云判。
[0020]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计算机程序时，基于所述的小样本光学遥感影像快速云判方法，实现小样本光学遥感影像快速云判。
[0021]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的小样本光学遥感影像快速云判方法，实现小样本光学遥感影像快速云判。
[0022]本专利技术与现有技术相比，其显著优点是：1)引入并优化UNet++网络结构，实现了云特征的加强，从而解决云掩膜边缘不完整的问题；2)采用EfficientNet轻量化网络作为编码器主干来降低模型参数量的大小，并通过深度监督来实现对网络推理过程的剪枝，从而大幅提高模型的运行效率；3)采用迁移学习策略，来实现少样本情况下模型从源域到目标域的迁移，从而在少样本情况下实现较好的云判效果。
附图说明
[0023]图1是本专利技术EC
‑
UNet++网络整体结构示意图。
[0024]图2是本专利技术EfficientNet网络修改后的Block结构示意图。
[0025]图3是本专利技术CBAM
‑
CONV模块的结构示意图及CBAM注意力机制的结果示意图。
[0026]图4是本专利技术基础模型训练测试和迁移学习训练测试的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本光学遥感影像快速云判方法，其特征在于，包括如下步骤：步骤1，以EfficientNet轻量化网络结合CBAM注意力结构作为编码器，以UNet++网络作为解码器，构建光学遥感影像快速云判模型，其中EfficientNet轻量化网络包括1个PreStage模块和4个Block模块，各Block模块采用CBAM注意力模块替代SE注意力模块，并增加了跨层连接结构，从1*1卷积前直接连接到输出；步骤2，基于高分一号开源数据集GF1_WHU构建源域训练集和验证集，以光学遥感影像为输入，以云判别掩膜为输出，进行光学遥感影像快速云判预训练；步骤3，基于高分二号云判数据集构建目标域训练集和验证集，通过迁移学习策略进行网络权重微调和剪枝，得到小样本光学遥感影像快速云判模型，用于光学遥感影像的云判和精细云掩膜提取。2.根据权利要求1所述的小样本光学遥感影像快速云判方法，其特征在于，各Block包括两条分支，一条分支中输入特征图先经过1x1卷积将维度变大，再用3x3卷积核的深度可分离卷积方式做卷积运算，随后利用CBAM注意力模块进行特征图中关键位置的感知和强化，再使用1x1的卷积运算将其维度缩小，并利用随机丢弃操作抑制模型的过拟合；另一条分支通过跨层连接结构将输入特征图连接到随机丢弃操作模块，与随机丢弃操作后的特征图进行叠加，从而使多层特征能更好的组合。3.根据权利要求1所述的小样本光学遥感影像快速云判方法，其特征在于，确定Block块模型参数的具体方法如下：在基础网络EfficientNet
‑
B0上，通过设置不同宽度、深度参数以及随机丢弃参数，获得缩放后的EfficientNet
‑
B0～B6，如表1所示；表1 EfficientNet结构参数选择...

【专利技术属性】
技术研发人员：卢东东，仇晓兰，铁雯婕，李杭，李翀，张顺，
申请(专利权)人：苏州空天信息研究院，
类型：发明
国别省市：