基于改进的DeeplabV3+神经网络的遥感图像云检测方法技术

本发明专利技术公开了一种改进的DeeplabV3+神经网络的云检测方法，包括：输入图像到Xception主干网络，通过Xception主干网络对图像进行卷积、函数激活和池化，以提取图像不同层次的特征以及减小特征图的尺寸，输出特征图，并将特征图输入到改进的ASPP模块和解码区；对输入到改进的ASPP模块的特征图进行不同采样率的空洞卷积以及PPM金字塔池化模块的操作；整合输出不同尺度上下文信息的特征图，并经解码区输出图像；将卷积操作得到的低特征图与不同尺度上下文信息的特征图进行卷积上采样和融合，得到云检测结果；使用交叉熵损失函数作为该网络损失函数用以评估模型对训练数据的拟合程度；使用准确率、精确率、mIoU评价网络性能。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，尤其涉及一种基于改进的deeplabv3+神经网络的遥感图像云检测方法。

技术介绍

1、遥感图像在土地监测、目标检测和地理测绘等领域有广泛应用，而图像中云的存在对于遥感图像的光谱具有重要影响。因此，提高云的检测精度已成为许多遥感图像应用中的关键目标。云检测是遥感图像处理中的一项重要任务。在高分辨率多光谱图像中进行云和非云的区分是一项具有挑战性的任务。过去，短波红外波段在云检测中得到了广泛的应用。然而，由于高分辨率多光谱图像缺乏短波红外波段，传统的基于短波红外波段的方法在实践中已不再实用。

2、近年来，随着计算机算力的增加和深度学习的发展，传统的图像分割方法无法与基于深度学习的方法相比。全卷积神经网络(fcn)取得了显著成果，在图像分割中取代了全连接层，使网络能够接受任意尺寸图像并输出相同大小的分割结果。然而，现有的cnn图像分割方法仍存在问题，如信息丢失、空间层级化信息无法学习和小物体信息难以重建，导致分割结果不理想。

技术实现思路

1、为解决上述技术问题，本专利技术的目本文档来自技高网...

【技术保护点】

1.一种基于改进的DeeplabV3+神经网络的遥感图像云检测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于改进的DeeplabV3+神经网络的遥感图像云检测方法，其特征在于，所述步骤A中，通过在输出层引入平均池化层减小特征图的空间尺寸，从而在整个网络中逐渐减小特征图的尺寸。

3.根据权利要求1所述的基于改进的DeeplabV3+神经网络的遥感图像云检测方法，其特征在于，所述改进的ASPP模块为：在空间金字塔ASPP模块中去掉原有的池化层，并替换为一个PPM金字塔池化模块，以更好的捕捉上下文信息，提高分割精度。

<p>4.根据权利要求...

【技术特征摘要】

1.一种基于改进的deeplabv3+神经网络的遥感图像云检测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于改进的deeplabv3+神经网络的遥感图像云检测方法，其特征在于，所述步骤a中，通过在输出层引入平均池化层减小特征图的空间尺寸，从而在整个网络中逐渐减小特征图的尺寸。

3.根据权利要求1所述的基于改进的deeplabv3+神经网络的遥感图像云检测方法，其特征在于，所述改进的aspp模块为：在空间金字塔aspp模块中去掉原有的池化层，并替换为一个ppm金字塔池化模块，以更好的捕捉上下文信息，提高分割精度。

4.根据权利要求1所述的基于改进的deeplab...

【专利技术属性】
技术研发人员：谭海，慈金龙，梁雪莹，王晶晶，张一凡，徐航，樊文锋，石一剑，徐文文，
申请(专利权)人：自然资源部国土卫星遥感应用中心，
类型：发明
国别省市：