System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于遥感图像处理,具体涉及一种地学先验知识引导的轻量化遥感图像云检测方法、系统、设备及介质。
技术介绍
1、遥感图像云检测是遥感图像处理的一个重要任务,它可以为气象预报、气候变化、水文循环等领域提供有价值的信息,也可为其他遥感应用提供有效的数据筛选和质量评估。云层分割的目的是将卫星图像中的云层区域和非云层区域分开,从而得到云层的覆盖率、类型、形状、高度等特征。然而,云检测也是一项具有挑战性的任务,云层的形态多样、尺度不一、边界模糊、遮挡严重等,导致传统的基于阈值、聚类、边缘检测等方法难以有效地处理复杂的云层场景。
2、现有的云检测方案主要是基于深度学习的方法,利用卷积神经网络(cnn)或者全卷积网络(fcn)等模型对卫星图像进行像素级的语义分割。这些方法相比传统方法有更强的特征提取和表达能力,能够在一定程度上提高云层分割的精度和效率。然而,现有的深度学习方法也存在一些缺点,例如:网络模型的参数量和计算量较大,导致运行速度较慢,不适合实时应用;网络模型对输入图像的频率特征不够敏感,导致模型的泛化能力较差,难以适应不同的云层类型和场景;网络模型对多尺度的特征图和掩膜图的融合不够充分,导致模型的分辨率和精度较低,难以捕捉云层的细节和边界。其次,目前云检测方法中,网络模型对于地学先验知识的利用仍处于初步研究的阶段,挖掘有效的地学知识并嵌入到方法中也是遥感领域积极研究的一个难点。
3、公开号为cn110598600a的专利申请文件,公开了一种基于unet神经网络的遥感图像云检测方法,通过基于unet网络结
4、公开号为cn111915592a的专利申请文件,公开了基于深度学习的遥感图像云检测方法,加入了暗通道的样本集,基于unet网络结构加入了小波变换的图像特征提取模块和空间注意力模块,更精确地提取云的特征,提高了云检测精确度,降低了误检率。但模型大小、参数量仍然较大,以及计算复杂度较大的问题仍未解决。
技术实现思路
1、为了克服上述现有技术的不足,本专利技术的目的在于提供一种地学先验知识引导的轻量化遥感图像云检测方法、系统、设备及介质,通过深度可分离卷积的编码器和解码器,能够有效降低模型参数量,从而降低对模型部署环境的算力要求;通过线性计算复杂度的哈达玛积注意力层,以少量参数实现对尺寸以及通道多个维度的注意力机制;通过基于快速傅里叶变换的特征提取模块,能够有效提取遥感图像的频率特征,充分利用了地学先验知识引导网络模型迭代训练,提高了云检测的精度。
2、为了实现上述目的,本专利技术采取的技术方案是:
3、一种地学先验知识引导的轻量化遥感图像云检测方法,包括以下步骤:
4、步骤1,获取遥感图像数据集,并对其进行预处理,得到预处理后的训练集和验证集;
5、步骤2,构建编码器模块、解码器模块、特征提取模块和特征融合桥接模块;
6、步骤3,通过步骤2得到的编码器模块构建网络的下采样子网络,解码器模块构建上采样子网络,特征融合桥接模块用于桥接下采样子网络和上采样子网络的各层,并以特征提取模块作为网络模型入口与下采样子网络衔接,构建轻量化云检测网络模型;
7、步骤4,使用步骤1得到的训练集对步骤3构建的轻量化云检测网络模型进行迭代训练,并经固定迭代次数间隔,使用步骤1得到的验证集对步骤3构建的轻量化云检测网络模型验证效果并计算相关指标,在迭代训练结束后选择验证过程指标最优的模型作为最终训练得出模型,并将模型参数保存为文件,得到最优网络模型文件;
8、步骤5,使用步骤4得到的最优网络模型文件对所需遥感图像进行云层检测。
9、所述步骤1的具体方法为:
10、对获取的遥感图像以特定尺寸切分并手动标注切片的云层区域,得到多通道的图层切片以及对应ground truth云层标签,并划分成训练集和验证集,对训练集和验证集进行归一化处理以及变换维度。
11、所述步骤2的具体方法为:
12、所述编码器模块分为浅层编码器和深层编码器;浅层编码器由深度可分离卷积层、bn归一化层以及relu激活层构成,并在末端连接maxpool池化层,分别用于特征提取和减半特征图宽高;深层编码器由哈达玛乘积注意力层、bn归一化层、relu激活层以及池化层构成,哈达玛乘积注意力层通过矩阵哈达玛乘积对特征图线性的计算和参数量实现对不同维度局部区域的注意力机制,深度可分离卷积也通过分离结构有效减少卷积层的参数量;
13、所述解码器模块分为浅层解码器和深层解码器;浅层解码器由深度可分离卷积层、bn归一化层以及relu激活层构成,并在末端连接反卷积层,分别用于特征提取和还原特征图宽高;深层解码器由哈达玛乘积注意力层、bn归一化层、relu激活层以及反卷积层构成,该模块作为网络结构中对应编码器每一层的上采样模块,用于还原特征图像的分辨率;
14、所述特征提取模块由fft层和维度适配层构成,输入的特征图首先通过维度适配层转换维度,再传入fft层首先经过快速傅里叶变换,再使用可学习的weight和bias参数对变换后的特征图进行仿射变换,再通过逆傅里叶变换还原特征图,最后通过维度适配层还原维度并输出到模块外;
15、所述特征融合桥接模块融合了对应层的编码器输出特征、上一层的解码器输出特征及其特征对应尺度的单通道掩膜特征图,实现多尺度的特征融合。
16、所述步骤3的具体方法为:
17、步骤3.1,将编码器模块、解码器模块按照层次连接,以三层为基准,前两层使用浅层编码器、解码器模块,最底层使用深层编码器、解码器模块,以原始图像尺寸与输入图像原始通道数初始化首层编码器,并输出尺寸减半以及32通道特征图,后续编码器首尾相连并按照上层输出维度初始化,输出尺寸减半以及通道增倍特征图;解码器按照相同方式首尾相连,并按照同层编码器的输入输出参数,反向初始化解码器模块,最浅层解码器输出单通道特征图,使得整个网络输出为输入图像分辨率大小的单层掩膜图像;由此构成网络的下采样子网络和上采样子网络;
18、步骤3.2,按照输入图像原始维度初始化频率特征提取模块,并连接至下采样子网络的输入端,由此网络可以自学习地将rgb三通道特征调整至合适的频率并进行后续推理;
19、步骤3.3,按照对应层编码器的输出维度与解码器的输入维度初始化对应层特征融合桥接模块,首先对每层解码器输出作卷积核为1的卷积操作,得到单通道、对应层次的尺寸的掩模图像,将编码器输出、上层解码器输出以及掩模图像输入特征融合桥接模块,将融合多尺度的输出特征通过add操作叠加到上层解码器输出特征图并输入至当前层解本文档来自技高网...
【技术保护点】
1.一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤1的具体方法为:
3.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤2的具体方法为:
4.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤3的具体方法为:
5.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤4的具体方法为:
6.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤5的具体方法为:
7.基于权利要求1至6任一项所述的一种地学先验知识引导的轻量化遥感图像云检测系统,其特征在于:包括:
8.一种地学先验知识引导的轻量化遥感图像云检测设备,其特征在于:包括:
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序
...【技术特征摘要】
1.一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤1的具体方法为:
3.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤2的具体方法为:
4.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述步骤3的具体方法为:
5.根据权利要求1所述的一种地学先验知识引导的轻量化遥感图像云检测方法,其特征在于:所述...
【专利技术属性】
技术研发人员:乔晓田,赵曰艺,刘英帆,王铧,崔江涛,彭延国,
申请(专利权)人:西安电子科技大学,
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。