基于全卷积网络的遥感图像云检测方法、终端及存储介质与流程

本发明涉及遥感图像检测技术领域，具体而言，涉及一种基于全卷积网络的遥感图像云检测方法、终端及存储介质。

背景技术：

云检测技术是许多遥感应用中的重要的预处理手段，起着非常重要的作用，如目标识别和土地覆盖监测，因为云覆盖会给相关应用带来很多困难和障碍，造成识别与检测上的错误。目前对云检测领域的研究主要集中在三个方向：基于阈值的方法，基于机器学习的方法和基于深度学习的方法。基于阈值的方法如：应用在landsat数据集上的fmask(functionofmask)算法那和acca(automatedcloud-coverassessment)算法等，主要针对遥感图像的所有频谱带宽提取特征，然后通过阈值过滤处理，区分薄云、厚云和非云像素。机器学习方法以基于svm(supportvectormachine)的方法为主，通过提取的特征进行有监督的分类模型的训练，然后对云与非云区域进行区分。不论是基于阈值的方法还是机器学习方法都需要手工提取复杂的浅层特征用于分类，分类结果的好坏严重依赖于特征工程，而且无法提取到更加具有代表性的上下文特征及高层特征，此外，这些特征的提取方式只针对于某一卫星使用，无法很好的泛化到其他的卫星图像数据。针对这些问题，深度学习方法被应用到了云检测领域，深度学习可以做到端到端的学习，复杂的特征工程由模型进行有监督的自学习获取，可以提取到复杂且准确的空间上下文特征，而且有很强的泛化能力，迁移到其他卫星数据，也能表现出良好的检测效果。

虽然深度学习方法对厚云的识别效果以及对冰/云/雪的区分明显的优于传统的方法，受明亮地表的影响也低于传统方法，但是对透明云层，以及极地区域的云检测的召回率比较低。

技术实现要素：

本发明解决的问题是使用现有的遥感图像云检测方法对透明云层，以及极地区域的云检测的召回率比较低。

为解决上述问题，本发明提供一种基于全卷积网络的遥感图像云检测方法，包括：获取待检测遥感图像；

利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果，其中，所述全卷积网络包括挤压激励密集网络，所述挤压激励密集网络包含编码模块和解码模块，所述编码模块包含至少一层编码网络，所述解码模块包含至少一层解码网络，其中：

所述编码网络包括级联连接的挤压激励密集块和下采样层，所述编码网络输出的特征图像尺寸小于所述编码网络的输入图像尺寸，所述编码网络输出与所述待检测遥感图像相比尺寸缩小的特征图像；

所述解码网络包括级联连接的上采样层和挤压激励密集块，所述解码网络输出的特征图像尺寸大于所述解码网络的输入图像尺寸，所述解码模块中最后一层解码网络输出与所述待检测遥感图像相比尺寸相等的特征图像；

所述挤压激励密集块包含级联连接的挤压激励子网络和密集卷积子网络。

可选地，所述密集卷积子网络包含至少一层密集卷积层，每一层密集卷积层包含至少两个密集连接的卷积块，每个卷积块至少包含卷积层、归一化层和激活函数层。

可选地，所述挤压激励密集块还包括降维卷积网络，其中，输入到所述挤压激励密集块的特征图像，经所述挤压激励子网络进行相应的挤压操作和激励操作后，输出到密集卷积子网络进行相应的卷积操作，再输出到所述降维卷积网络，进行通道降维操作，其中，所述挤压激励密集块输出的特征图像与输入到所述挤压激励密集块的特征图像的通道数相等。

可选地，所述编码模块还包括至少一层卷积网络，所述卷积网络包括级联连接的卷积层和下采样层，所述至少一层卷积网络设置于所述至少一层编码网络之前。

可选地，所述编码模块中的卷积层或挤压激励密集块，和所述解码模块中与其成镜像对应的挤压激励密集块跳跃连接，其中，所述编码模块中的卷积层或挤压激励密集块输出的特征图像尺寸，等于所述解码模块中与其成镜像对应的挤压激励密集块的输入图像尺寸。

可选地，所述挤压激励密集网络还包含桥模块，所述桥模块包含至少一个挤压激励密集块，所述桥模块设置于所述编码模块和解码模块之间。

可选地，所述挤压激励密集网络还包括最终卷积网络，所述最终卷积网络设置于所述解码模块之后。

可选地，所述全卷积网络还包括分类器，所述编码模块包含至少两层编码网络，所述解码模块包含至少两层解码网络，所述利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果包括：

利用所述至少一层卷积网络接收所述待检测遥感图像，对所述待检测遥感图像进行处理后，生成初始图像，其中，所述初始图像的尺寸小于所述待检测遥感图像的尺寸；

利用所述编码模块中第一层编码网络接收所述初始图像，对所述初始图像进行处理后，生成第一特征图像，其中，所述第一特征图像的尺寸小于所述初始图像的尺寸，所述第一特征图像的通道数量等于所述初始图像的通道数量；

利用所述编码模块中第m层编码网络接收第m-1层编码网络生成的第m-1特征图像，对所述第m-1特征图像进行处理后，生成第m特征图像，其中，所述第m特征图像的尺寸小于所述第m-1特征图的尺寸，所述第m特征图像的通道数量等于所述第m-1特征图的通道数量，m大于或等于2；

利用所述桥模块接收所述第m特征图像，对所述第m特征图像进行处理后，生成第m+1特征图像；

利用所述解码模块中第一层解码网络接收所述第m+1特征图像，对所述第m+1特征图像进行处理后，生成第一图像，其中，所述第一图像的尺寸大于所述第m+1特征图像，所述第一图像的通道数量等于所述第m+1特征图像的通道数量；

利用所述解码模块中第n层解码网络接收第n-1层解码网络生成的第n-1图像，对所述第n-1图像进行处理后，生成第n图像，其中，所述第n图像的尺寸大于所述第n-1图像的尺寸，所述第n图像的通道数量等于所述第n-1图像的通道数量，n大于或等于2；

利用所述最终卷积网络接收所述第n图像，对所述第n图像进行处理后，生成第n+1图像，将所述第n+1图像输出到所述分类器，由所述分类器输出所述待检测遥感图像的云检测结果。

可选地，所述全卷积网络还包含至少一层门控微调网络，每一层门控微调网络包含更新门，所述利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果包括：

利用所述至少一层门控微调网络对所述挤压激励密集网络的输出结果进行微调处理，获得每一层门控微调网络的输出结果，其中，将所述最终卷积网络输出的特征图像作为所述门控微调网络的输入，所述解码模块中最后一层解码网络的状态信息作为第一层门控微调网络的上一层状态信息；

基于所述挤压激励密集网络的输出结果以及所述每一层门控微调网络的输出结果，确定所述待检测遥感图像的云检测结果。

可选地，所述每一层门控微调网络还包括卷积核大小为1×1的卷积层，所述利用所述至少一层门控微调网络对所述挤压激励密集网络的输出结果进行微调处理，获得每一层门控微调网络的输出结果包括：

计算每一层门控微调网络的更新门和当前的候选隐藏状态；

基于所述更新门和所述当前的候选隐藏状态，计算获得每一层门控微调网络更新后的状态信息；

利用所述卷积核大小为1×1的卷积层对所述每一层门控微调网络更新后的状态信息进行卷积操作，得到所述每一层门控微调网络的输出结果。

可选地，计算所述每一层门控微调网络的更新门、所述每一层门控微调网络当前的候选隐藏状态以及所述每一层门控微调网络更新后的状态信息的计算方式如下：

z＝gcbs([ht-1,input])

h'＝gcbr([ht-1,input])

其中，z表示所述每一层门控微调网络的更新门，ht-1表示所述每一层门控微调网络的上一层状态信息，input表示所述每一层门控微调网络的输入，h'表示所述每一层门控微调网络当前的候选隐藏状态，[ht-1,input]表示ht-1与input的连接操作，gcbs表示卷积、归一化、sigmoid激活的联合操作，gcbr表示卷积、归一化、relu激活的联合操作，ht表示所述每一层门控微调网络更新后的状态信息，表示逐元素相乘。

本发明还提出一种基于全卷积网络的遥感图像云检测终端，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于全卷积网络的遥感图像云检测方法。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于全卷积网络的遥感图像云检测方法。

本发明实施例中的全卷积网络，利用挤压激励子网络对输入该子网络的图像(或特征图)进行处理，基于所述全卷积网络中对通道间依赖关系的建模，所述全卷积网络特征表示的能力增强，其特征提取能力也增强，将挤压激励子网络输出的特征图像输入密集卷积子网络，由密集卷积子网络对输入该子网络的图像(或特征图)进行特征学习，充分利用所有网络学习的特征，最大程度利用图像特征，可达到更好的分类效果。

附图说明

图1为本发明基于全卷积网络的遥感图像云检测方法中全卷积网络的网络模型结构一实施例示意图；

图2为本发明基于全卷积网络的遥感图像云检测方法中全卷积网络的网络模型结构另一实施例示意图；

图3为图1或图2中sdb网络(挤压激励子网络和密集卷积子网络)的细化结构示意图；

图4为图3中denselayer(密集卷积层)的细化结构示意图；

图5为图2中gfncell(门控微调单元)的细化结构示意图；

图6为本发明基于全卷积网络的遥感图像云检测方法在landsat数据集上的云检测结果图；

图7为本发明基于全卷积网络的遥感图像云检测方法在modis数据集上的云检测结果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

为便于理解本发明的下述各个实施例，对附图中的英文或英文简称进行解释。sdb指挤压激励密集块，subsampled指下采样层，upsample指上采样层，skipconnections指跳跃连接，encoder指编码模块，decoder指解码模块，bridge指桥模块，firstconv指编码模块中卷积网络的卷积层，finalconv指最终卷积网络，gfn指门控微调网络，gfncell指一层门控微调网络。

本发明提出一种基于全卷积网络的遥感图像云检测方法。一实施例中，所述基于全卷积网络的遥感图像云检测方法包括：

步骤s10，获取待检测遥感图像；

待检测遥感图像，可选为有云的遥感图像，待检测遥感图像中可包含厚云和/或薄云和/或透明云层。因原始遥感图像尺寸过大，为便于全卷积网络对其进行语义分割，加快语义分割速度，将原始的遥感图像进行切割，例如，将8000*8000像素的原始遥感图像切割成384*384像素大小的多个图像，将切割后得到的像素减小的每张图像作为待检测遥感图像。

可选地，待检测遥感图像的分辨率为h×w，其中，300≤h≤600，300≤w≤600。

步骤s20，利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果。训练好的全卷积网络对待检测遥感图像进行处理后，可得到与待检测遥感图像像素大小相等、对待检测遥感图像每个像素点进行分类的二值分布图，二值分布图中对每个像素点做云与非云的区分，可选地，可将有云像素点的值置为1，将非云像素点的值置为0，其中，0代表黑色，1代表白色。

如图1或图2，全卷积网络包括挤压激励密集网络，所述挤压激励密集网络包含编码模块和解码模块，编码模块设置在解码模块之前，所述编码模块包含至少一层编码网络，所述解码模块包含至少一层解码网络，其中：所述编码网络包括级联连接的挤压激励密集块和下采样层，所述编码网络输出的特征图像尺寸小于所述编码网络的输入图像尺寸，所述编码网络输出与所述待检测遥感图像相比尺寸缩小的特征图像；所述解码网络包括级联连接的上采样层和挤压激励密集块，所述解码网络输出的特征图像尺寸大于所述解码网络的输入图像尺寸，所述解码模块中最后一层解码网络输出与所述待检测遥感图像相比尺寸相等的特征图像；所述挤压激励密集块包含级联连接的挤压激励子网络和密集卷积子网络。

可选地，所述编码模块还包括至少一层卷积网络，所述卷积网络包括级联连接的卷积层和下采样层，所述至少一层卷积网络设置于所述至少一层编码网络之前。

其中，每一层编码网络或每个挤压激励密集块都对输入通道数量有一定要求，在编码网络之前设置至少一层卷积网络，用于调控输入到编码网络的特征图数量，即图像通道数量。例如，编码网络要求的输入通道数量为64，而待检测遥感图像的通道数为10，则通过卷积网络将图像通道数增加至64，通过在编码网络之前设置至少一层卷积网络，可丰富特征图的数量。可选地，卷积网络包括卷积层、归一化层和非线性激活层，对待检测遥感图像依次进行卷积处理、归一化处理和非线性激活处理。可选地，图1或图2给出了设置一层卷积网络的示例图，即图1或图2中的firstconv+subsampled。

可选地，所述挤压激励密集网络还包含桥模块，所述桥模块包含至少一个挤压激励密集块，所述桥模块设置于所述编码模块和解码模块之间。

图1或图2给出的示意图中，桥模块(即图1或图2中的bridge)包含一个挤压激励密集块。在其他实施方式中，桥模块包含两个或两个以上的挤压激励密集块，具体可根据实际数据状况及需求确定。

为加深网络，对编码模块提取的特征数据进一步聚合，增大单个特征的感受野，可在编码模块和解码模块之间设置桥模块。

可选地，所述挤压激励密集网络还包括最终卷积网络，所述最终卷积网络设置于所述解码模块之后。在图1或图2给出的示例中，最终卷积网络即finalconv，其输入为最后一层解码网络的输出。

可选地，如图1或图2，当编码模块包含多层(两层或两层以上)编码网络时，该多层编码网络级联连接，第m-1层编码网络的输出作为第m层编码网络的输入(m≥2，且m为整数)，将处于编码网络之前的卷积网络的输出作为第一层编码网络的输入，将最后一层编码网络的输出作为桥模块的输入或者第一层解码网络的输入。一实施方式中，m为2。可选地，当解码模块包含多层(两层或两层以上)解码网络时，该多层解码网络级联连接，第n-1层解码网络的输出作为第n层解码网络的输入(n≥2，且n为整数)，将处于解码网络之前的最后一层编码网络或桥模块的输出，作为第一层解码网络的输入，将最后一层解码网络的输出作为最终卷积网络的输入。一实施方式中，n为3。

其中，编码网络包括级联连接的挤压激励密集块和下采样层，输入图像经挤压激励密集块进行相应挤压、激励、密集卷积操作后，再输出到下采样层进行下采样操作。解码网络包括级联连接的上采样层和挤压激励密集块，输入图像经上采样层进行上采样操作后，再经挤压激励密集块进行相应挤压、激励、密集卷积操作。

因全卷积网络需对待检测遥感图像进行像素级分类，即不仅需要正确区分像素类别，而且还要将分类好的像素所属位置与原始的待检测遥感图像对齐，所以，全卷积网络最后输出的图像尺寸，应与输入的待检测遥感图像一致，因此，通过本发明实施例中，在解码模块中设置上采样层，将在编码模块中尺寸缩小的特征图像增大尺寸，直至最后输出的特征图像尺寸与待检测遥感图像的尺寸相等。其中，下采样层采用最大池化或均值池化方式，以减小特征图像的尺寸，降低计算量，同时，缓解网络对位置的过度敏感性，减小噪声，提取更关键的边缘特征或梯度特征。上采样层采用双线性插值方式或转置卷积方式，以增大特征图像尺寸，补充特征图像细节。

其中，如图3，挤压激励子网络包括挤压块(squeeze)与激励块(excitation)，为便于表示，其分别由函数fsq()与fex()表示。

对于挤压块，定义作为挤压块的输入特征，h、w代表特征的高与宽，c表示特征的通道数目，b＝[b1,b2,b3...bc]。利用全局信息嵌入的方法把b的全局信息压缩到一个通道的描述子，这一步通过平均池化实现，生成逐通道的统计。具体公式描述如下：

其中dc是的第c个元素，为了聚集每个通道的信息，通过压缩b的空间维度h×w生成的一个统计，将h×w×c的输入转换成1×1×c的输出，用以表明该层c个特征图的数值分布情况，即全局信息。

对于激励块，为了完全捕获通道的相关性，由上述压缩操作得到的d用如下公式自适应的重新校准：

e＝fex(d,w)＝σ(g(d,w))＝σ(w2δ(w1d))

在上述的公式中，先用w1乘以d，即全连接层操作，即w1的维度是此处的r是一个缩放参数，可取16，其用于减少通道个数从而降低计算量，因d的维度是1×1×c，所以w1d的结果为1×1×c/r，然后经过一个relu层(δ表示relu激活函数)；然后，将δ(w1d)与w2相乘，这里和w2相乘也是一个全连接层的过程，其维度为因此输出的维度为1×1×c，再经过一个sigmoid层(σ表示sigmoid激活函数)，可见，在激励块中，利用了两个全连接层，一个是带有relu激活函数的全连接层，其用于降维，降低通道的数目，另一个是带有sigmoid激活函数的全连接层，其用于增维以恢复通道的数目。最后得到的e的维度是1×1×c，c为通道数，e用于刻画b中c个特征图的权重，而这个权重是通过前文所述的全连接层和非线性层学习得到的。最后激励块的输出通过如下公式对特征b进行缩放：

oc＝fscale(bc,ec)＝bcec

其中，o＝[o1,o2,o3...oc]，fscale(bc,ec)表示在纯量ec和特征图之间进行逐通道相乘。

对于传统的卷积神经网络，定义分别为卷积操作的输入与输出，使用f＝[f1,f2,f3...fc]表示卷积核，然后定义如下的卷积公式：

其中*表示卷积操作，fc＝[fc¹,fc²,fc³...fc^c']，a＝[a¹,a²,a³...a^c'],和b＝[b1,b2,b3...bc]。表示一个二维的卷积核，代表了与b通道相对应的fc的一个单一通道。在这里为了简化卷积的表示，省略了卷积操作的偏置。从上述公式，可以很明显地看出卷积的输出操作时各个通道间的求和操作。通道间的关系都隐藏在bc上，但是混合了卷积核捕获的空间信息，因此单纯的通过卷积形式对通道关系进行建模是局部的和隐式的。

而本发明中的全卷积网络，利用挤压激励子网络对输入该子网络的图像(或特征图)进行处理，基于所述全卷积网络中对通道间依赖关系的建模，所述全卷积网络特征表示的能力增强，其特征提取能力也增强，将挤压激励子网络输出的特征图像输入密集卷积子网络，由密集卷积子网络对输入该子网络的图像(或特征图)进行特征学习，充分利用所有网络学习的特征，最大程度利用图像特征，可达到更好的分类效果。

可选地，所述密集卷积子网络包含至少一层密集卷积层，每一层密集卷积层包含至少两个密集连接的卷积块，每个卷积块至少包含卷积层、归一化层和激活函数层。通过密集连接的多个卷积块，可使得网络深度更深，特征学习得更好，同时也避免因网络深度加深导致特征丢失，使得最终的分类结果更为准确。其中，激活函数层可选为relu非线性激活函数。

一实施方式中，如图3和图4，密集卷积子网络包含密集连接的三个密集卷积层(denslayer)，每个密集卷积层包含两个稠密连接卷积块。其中，一个卷积块包含卷积层(conv)、归一化层(batchnorm)和relu层，分别进行卷积操作、归一化操作和relu非线性激活操作。

可选地，如图3，所述挤压激励密集块还包括降维卷积网络，该降维卷积网络为1×1卷积，其中，输入到所述挤压激励密集块的特征图像，经所述挤压激励子网络进行相应的挤压操作和激励操作后，输出到密集卷积子网络进行相应的卷积操作，再输出到所述降维卷积网络，进行通道降维操作，其中，所述挤压激励密集块输出的特征图像与输入到所述挤压激励密集块的特征图像的通道数相等。

降维卷积网络，其用于降低密集卷积子网络输出图像的通道数。挤压激励子网络输出的图像经密集卷积子网络进行相应处理后，其通道数会增加，为降低计算量，简化网络结构，在密集卷积子网络后接一个1×1卷积，用于通道降维，使得挤压激励密集块最终输出的特征图像的通道数与其输入特征的通道数相等。同时，因为挤压激励密集块不改变输入的特征图像的通道数，其具备较强的可迁移性，可应用在不同网络结构中作为特征提取器。此外，在挤压激励密集块中设置降维卷积网络，也有利于特征图像在本发明实施例中的网络结构中的传递，例如，在如图1或2所示的网络结构中，解码模块包含级联的三个解码网络(解码网络中包含挤压激励密集块)，f4为第一层解码网络的输入，f5为第一层解码网络的输出、第二层解码网络的输入，f6为第二层解码网络的输出、第三层解码网络的输入，因解码网络或挤压激励密集块的输入通道数量为一固定的预设值(如64通道)，通过降维卷积网络的设置，可使得挤压激励密集块(即图1或2中的sdb)不改变输入的特征图像的通道数量，使得f4、f5以及f6的通道数量相等，使得f4、f5以及f6符合各自待输入解码网络(挤压激励密集块)的输入通道数要求。

可选地，如图1或图2，所述编码模块中卷积网络的卷积层或编码网络的挤压激励密集块，和所述解码模块中与其成镜像对应的解码网络的挤压激励密集块跳跃连接(skipconnections)，其中，所述编码模块中卷积网络的的卷积层或编码网络的挤压激励密集块输出的特征图像尺寸，等于所述解码模块中与其成镜像对应的解码网络的挤压激励密集块的输入图像尺寸。

在解码模块中，若仅基于上采样后的特征图进行图像修复，则解码网络输出的特征图像将损失很多细节特征。考虑到编码模块中的网络输出的特征图像边缘信息、位置信息较为丰富，若在解码模块进行图像修复的过程中，将编码模块中网络输出的特征利用进来，有利于像素对齐，填补丢失的细节特征。因此，将编码模块和解码模块中，成镜像对应的卷积层与挤压激励密集块，或者成镜像对应的挤压激励密集块与挤压激励密集块，进行跳跃连接，即，编码模块中卷积层或挤压激励密集块的输出，既输出到与之直接连接的下一层网络，也输出到与之成镜像对应的解码模块中的挤压激励密集块中。

其中，因编码模块中卷积层或挤压激励密集块的输出需要输入到与之成镜像对应的挤压激励密集块中，所以，前者输出特征图像的尺寸等于后者的输入图像尺寸。

例如，如图1所示，全卷积网络的编码模块包含一个卷积网络和两个编码网络，解码模块包含三个解码网络，其中，卷积网络中的卷积层与第三层解码网络的挤压激励密集块跳跃连接，第一个编码网络中的挤压激励密集块与第二层解码网络的挤压激励密集块跳跃连接，第二个编码网络中的挤压激励密集块与第一层解码网络的挤压激励密集块跳跃连接。

可选地，如图1，所述全卷积网络还包括分类器，所述编码模块包含至少两层编码网络，所述解码模块包含至少两层解码网络，所述利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果包括：

步骤s21，利用所述至少一层卷积网络接收所述待检测遥感图像，对所述待检测遥感图像进行处理后，生成初始图像，其中，所述初始图像的尺寸小于所述待检测遥感图像的尺寸；

其中，所述至少一层卷积网络可对待检测遥感图像进行卷积操作、归一化操作、非线性激活操作以及下采样操作(如最大池化操作)后生成初始图像，初始图像的通道数等于编码网络要求的输入图像通道数，当输入的待检测遥感图像的通道数大于编码网络要求的输入图像通道数时，所述至少一层卷积网络用于降低图像通道数，当输入的待检测遥感图像的通道数小于编码网络要求的输入图像通道数时，所述至少一层卷积网络用于增加图像通道数。

步骤s22，利用所述编码模块中第一层编码网络接收所述初始图像，对所述初始图像进行处理后，生成第一特征图像，其中，所述第一特征图像的尺寸小于所述初始图像的尺寸，所述第一特征图像的通道数量等于所述初始图像的通道数量；

步骤s23，利用所述编码模块中第m层编码网络接收第m-1层编码网络生成的第m-1特征图像，对所述第m-1特征图像进行处理后，生成第m特征图像，其中，所述第m特征图像的尺寸小于所述第m-1特征图的尺寸，所述第m特征图像的通道数量等于所述第m-1特征图的通道数量，m为大于或等于2的整数；

基于上文所述对挤压激励密集块的解释，输入挤压激励密集块的图像通道数与挤压激励密集块输出图像的通道数相等，因此，第一特征图像的通道数量等于所述初始图像的通道数量，第m特征图像的通道数量等于第m-1特征图的通道数量。

步骤s24，利用所述桥模块接收所述第m特征图像，对所述第m特征图像进行处理后，生成第m+1特征图像；

其中，第m+1特征图像的尺寸等于第m特征图像的尺寸，第m+1特征图像的通道数量等于第m特征图像的通道数量。

步骤s25，利用所述解码模块中第一层解码网络接收所述第m+1特征图像，对所述第m+1特征图像进行处理后，生成第一图像，其中，所述第一图像的尺寸大于所述第m+1特征图像，所述第一图像的通道数量等于所述第m+1特征图像的通道数量；

步骤s26，利用所述解码模块中第n层解码网络接收第n-1层解码网络生成的第n-1图像，对所述第n-1图像进行处理后，生成第n图像，其中，所述第n图像的尺寸大于所述第n-1图像的尺寸，所述第n图像的通道数量等于所述第n-1图像的通道数量，n为大于或等于2的整数；

基于上文所述对挤压激励密集块的解释，输入挤压激励密集块的图像通道数与挤压激励密集块输出图像的通道数相等，因此，第一图像的通道数量等于初始图像的通道数量，也等于第m+1特征图像的通道数量，第n特征图像的通道数量等于第n-1特征图的通道数量。

步骤s27，利用所述最终卷积网络接收所述第n图像，对所述第n图像进行处理后，生成第n+1图像，将所述第n+1图像输出到所述分类器，由所述分类器输出所述待检测遥感图像的云检测结果。

其中，所述最终卷积网络设置在解码模块之后，即设置在最后一层解码网络之后，用于降低第n图像的通道数，生成第n+1图像，以便后续分类器的分类操作顺利进行。具体的通道降低幅度可以基于分类器确定，例如，每一层挤压激励密集网络输出的图像通道数为64，而分类器要求输入的图像通道数为为2，则通过最终卷积网络将图像通道数降低至2。可选地，最终卷积网络使用大小为1×1的卷积核。

可选地，在另一实施例中，如图2和图5，所述全卷积网络还包含至少一层门控微调网络，每一层门控微调网络包含更新门，所述利用训练好的全卷积网络对所述待检测遥感图像进行处理，得到所述待检测遥感图像的云检测结果包括：

利用所述至少一层门控微调网络对所述挤压激励密集网络的输出结果进行微调处理，获得每一层门控微调网络的输出结果，其中，将所述最终卷积网络输出的特征图像作为所述门控微调网络的输入，所述解码模块中最后一层解码网络的状态信息作为第一层门控微调网络的上一层状态信息；基于所述挤压激励密集网络的输出结果以及所述每一层门控微调网络的输出结果，确定所述待检测遥感图像的云检测结果。

如图2或图5，门控微调网络接收上一层的状态信息和当前的输入信息，基于上一层的状态信息和当前的输入信息计算输出。其中，门控微调网络可将上一层的状态信息完整保存，再通过更新门将其有选择地传递到下一层。因其能够保存前层网络的状态信息，同时还可处理长距依赖的问题，因而可重复利用空间上下文信息来进一步改善最终所述训练好的全卷积网络输出的语义分割结果，提升结果精度。其中，门控微调网络用于对挤压激励密集网络最终输出的特征图像进行微调，以提升最终云检测结果的准确性。

可选地，如图2和图5，将挤压激励密集网络最终输出的特征图像(最终卷积网络输出的特征图像)作为每一层门控微调网络的输入，将最后一个解码网络的状态信息作为第一层门控微调网络上一层的状态信息，对于后续层门控微调网络，将其前一层门控微调网络的状态信息作为该后续层的门控微调网络上一层的状态信息，如图2将一层门控微调网络表示为gfncell，将挤压激励密集网络的最后一个解码网络的状态信息ht-1，作为第一个gfncell上一层的状态信息，第一个gfncell的状态信息ht作为第二个gfncell上一层的状态信息。

可选地，如图2，将每一层门控微调网络的输出结果以及挤压激励密集网络最终输出的特征图像进行平均处理，将平均处理后得到的特征数据输入到分类器中，由分类器(softmax)输出待检测遥感图像的云检测结果。

可选地，如图5，所述每一层门控微调网络还包括卷积核大小为1×1的卷积层，所述利用所述至少一层门控微调网络对所述挤压激励密集网络的输出结果进行微调处理，获得每一层门控微调网络的输出结果包括：

计算每一层门控微调网络的更新门和当前的候选隐藏状态；基于所述更新门和所述当前的候选隐藏状态，计算获得每一层门控微调网络更新后的状态信息；利用所述卷积核大小为1×1的卷积层对所述每一层门控微调网络更新后的状态信息进行卷积操作，得到所述每一层门控微调网络的输出结果。

其中，每一层门控微调网络的更新门，基于输入到每一层门控微调网络的输入信息和每一层门控微调网络上一层的状态信息计算获得。可选地，如图5，更新门z的计算方式如下：

z＝gcbs([ht-1,input])

其中，z表示每一层门控微调网络的更新门，ht-1表示每一层门控微调网络的上一层状态信息，input表示每一层门控微调网络的输入，gcbs表示卷积、归一化、sigmoid激活的联合操作。

每一层门控微调网络当前的候选隐藏状态，基于输入到每一层门控微调网络的输入信息和每一层门控微调网络上一层的状态信息计算获得。可选地，如图5，当前的候选隐藏状态的计算方式如下：

h'＝gcbr([ht-1,input])

其中，h'表示每一层门控微调网络当前的候选隐藏状态，gcbr表示卷积、归一化、relu激活的联合操作。

基于每一层门控微调网络的更新门和当前的候选隐藏状态，计算获得每一层门控微调网络更新后的状态信息，可基于以下方式计算：

其中，ht表示每一层门控微调网络更新后的状态信息，表示逐元素相乘。

随后，利用卷积核大小为1×1的卷积层对每一层门控微调网络更新后的状态信息进行卷积操作，以降低特征图像通道数量，使得可将输出的特征图像输入到分类器进行像素分类。

可选地，在利用训练好的全卷积网络对待检测遥感图像进行处理，得到待检测遥感图像的云检测结果之前，需训练全卷积网络。首先将全卷积网络中挤压激励密集网络以学习率为0.001的条件在预设训练数据集上进行100epochs的训练，训练完成后，再通过门控微调网络微调挤压激励密集网络输出的最终结果，并以学习率为0.001的条件对门控微调网络进行训练，微调20epochs，在微调过程中，减缓挤压激励密集网络的学习率，如0.0001。

可使用杰卡德系数(jaccardindex)、精度(precision)、召回率(recall)、miou平均交并比(meanintersectionoverunion)、f-score、总体准确率(overallacc)作为评价指标，对模型进行评价，其中，

miou＝tp/(fp+fn+tp)

其中,tp、tn、fp、fn分别表示真正例、真负例、假正例、假负例。

可选地，采用遥感图像作为训练数据集。训练数据集可从landsat数据集和/或modis数据集中获取，因原始卫星图像较大，需将其分割成数个图像，才能用作训练样本。可选地，为保证模型的泛化的能力，训练样本和测试样本应包含多样的图像，即具有不同特征的图像，landsat数据集与modis数据集相比，前者的图像分辨率高、通道少、通道对应关系不同，因此，将来源于landsat数据集和modis数据集的图像数据经预处理后，作为训练样本。

可选地，从landsat数据集中选取四个通道的图像作为训练样本，包括蓝色通道、绿色通道、红色通道以及近红外通道。可从landsat数据集中选取38张大小约为8000*8000像素的遥感图像，其中，18张用于训练，20张用于测试，对每张遥感图像进行切割，切割成384*384像素大小的图像作为实际应用的训练样本或测试样本。

可选地，从modis数据集中选取十个通道的图像作为训练样本，从中选取7006张遥感图像，对每张图像对应的频谱带宽利用边缘覆盖的方式进行切割，每个频谱带图片可以被切割为512*512像素大小的15张图片，最后得到105090张切割后的图像，用作训练样本和测试样本。

为便于理解本发明基于全卷积网络的遥感图像云检测方法的效果，给出一应用本发明基于全卷积网络的遥感图像云检测方法对遥感图像进行云检测的实验中实际的测试结果，其在landsat数据集和modis数据集上进行测试，以下将所述全卷积网络简称为模型。

landsat数据集上的测试结果如下：

modis数据集上的的测试结果如下：

通过上述两个数据集上的测试结果展示，可以看出：

在不使用门控微调网络(即gfn)，只使用挤压激励密集网络(即sdbn)的情况下，对遥感图像进行云分割处理，表现出了非常好的效果，其中在landsat数据集上的精度(precision)为0.952，杰卡德系数(jaccardindex)为0.881；在modis数据集上的效果也表现突出，其精度(precision)达到了0.9759，杰卡德系数(jaccardindex)达到了0.9087。

当加入门控微调网络对模型结果进行微调后，在landsat数据集上表现出的效果改善明显，召回率提升了近1个百分点，其中杰卡德系数(jaccardindex)、miou均有所提升。在modis数据集上，加入gfn网络后，jaccardindex、recall、miou、f-score和overallacc与没加gfn的情况保持了相近的结果，但是精度(precision)有所提升。

如图6为在landsat数据集上的云检测结果图，其包含最左边、中间以及最右边三列图像。其中最左边为对应rgb频谱带宽合成的伪彩色图(图6中为基于该伪彩色图去色后的黑白图)，中间的为手工标注的云掩模的二值分布图，白色的为云，黑色的为非云，右边的图片为模型预测的结果图，白色为云区域，黑色为非云区域。图6展示了4幅遥感图像的测试结果，其中上面两幅图展现了本发明的模型对透明云层的识别效果，图中标识出的椭圆区域对应透明云区域，整体的识别效果较好。第三幅图体现模型对冰云的区分，其中右下角的标识出的椭圆区域为冰云混合区域，模型在此处对云与冰获得了较好的区分效果。第四幅图体现了模型对厚云层的识别效果，可以看出，模型对厚云层的识别精度也较高。

图7为模型在modis数据集上的云检测结果图，其包含左上三幅图像、右上三幅图像、左下三幅图像以及右下三幅图像，对于每个方向的三幅图像，最左侧图像为对应rgb频谱带宽合成的伪彩色图(图7中为基于该伪彩色图去色后的黑白图)，中间的为手工标注的云掩模的二值分布图，白色的为云，黑色的为非云，最右侧图像为模型预测的结果图，白色为云区域，黑色为非云区域。左上及左下的图像为极地冰川遥感图像，其中凹凸不平的为云区域，平滑区域为冰，以极地冰川为下界面的场景难以区分冰云的主要原因是他们的温度都较低，冰的温度更加低，通过相应频谱带宽反演的亮温值无法区分云与非云区域，其次就是冰与云的颜色相近，且都比较明亮，具有相似的反射特性，而通过左上及左下预测的结果图可看出模型对极地冰川地区的云识别效果较好。右上及右下的图像分别体现以陆地、海洋为下界面的云区的识别效果，右上图像展示了陆地区域云的识别效果，右下图像展示了海洋区域的云识别效果。可以看出，模型对于厚云以及一些细节上的识别都表现初了较好的结果。

本发明还提出一种基于全卷积网络的遥感图像云检测终端。所述全卷积网络模型训练终端包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于全卷积网络的遥感图像云检测方法，相关内容及有益效果如上所述，此处不赘述。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于全卷积网络的遥感图像云检测方法，相关内容及有益效果如上所述，此处不赘述。

虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。