一种基于深度学习的光学遥感卫星图像精细化云检测方法与流程

本发明属于光学遥感卫星图像处理过程中图像语义分割技术领域，具体是一种基于深度学习的光学遥感卫星图像精细化云检测方法。

背景技术：

根据国际卫星云气候计划流量数据提供的全球云量数据显示，地球表面66％以上区域经常被云覆盖，造成光学遥感卫星图像中有大量云区域存在。一方面，云层遮挡导致地物信息缺失，对目标识别、图像分类等处理产生负面影响，降低了遥感图像的使用价值；另一方面，对气象学者而言，通过研究云的分布可以发现极端气候现象及其变化规律，遥感图像中的云区域具有不可替代的使用价值。因此，云检测已成为光学遥感卫星图像处理中非常重要的内容。

当前遥感卫星图像中的精确云检测仍面临巨大挑战。其一，与传统图像相比，遥感卫星图像复杂度更高，分析难度较大；其二，与普通目标相比，云具有不同的形状和类型，光谱差异较大；其三，异物同谱现象也给云检测增加了难度。因此，一直以来云检测的准确性和自动化程度都不高。

目前的云检测方法主要分为阈值法、纹理分析法和统计学方法三大类。阈值法的关键在于阈值的选取，随着云检测精度要求的提高，云检测使用的阈值很难确定。纹理分析法本质是利用了目标物内部属性的相似性和目标物之间边界的不连续，但云的形态复杂，很多时候其边界也不清晰，纹理分析难度很大。统计学方法主要分为统计方程法和聚类分析法，面对云这样一个复杂目标，很难建立可靠的模型。上述云检测方法虽然可以实现粗略的云检测，但是很难得到准确的云层分布结果。

技术实现要素：

本发明要解决的技术问题是提供一种基于深度学习的光学遥感卫星图像精细化云检测方法，能够解决现有技术的不足，克服云的光谱差异性、异物同谱现象、地表信息混合等问题，兼顾算法的简洁性和高效率，得到精细化的云层分布结果。

本发明的内容包括以下步骤，

a、云类型定义，

厚云，指完全遮挡了地面信息的云区域；

薄云，指遮挡了部分地面信息的云区域；

无云，指不受遮挡的地面区域；

b、样本选择，

选择多景大幅面的遥感图像作为样本图像，样本图像中包含各种形状、类型和厚度的云，各类雾、霾，各种类型的地物，不含云的图像；

c、数据标注，

首先将原始的样本图像裁剪为多幅小幅面遥感图像；然后对这些小幅面遥感图像中的云类型进行逐像素的人工标注，将无云区域的像素值标注为0，将薄云区域的像素值标注为1，将厚云区域的像素值标注为2；最后得到与小幅面遥感图像对应的标注图；

d、数据扩充，

首先对每一对小幅面遥感图像和标注图进行多次裁剪；然后对裁剪得到的遥感图像块和标注图像块进行处理，扩充样本数据；最后得到训练样本；

e、网络模型训练，

在caffe框架下，用c-segnet网络模型对训练样本进行训练，在train.txt和test.txt文件中设置训练样本的存储路径，在segnet_train.prototxt、segnet_inference.prototxt和segnet_solver.prototxt文件中设置网络模型参数，经过训练处理后得到能够进行云检测的c-segnet网络模型；

f、图像语义分割，

首先，读取一景需要进行云检测的大幅面遥感图像；然后，对该图像进行分块，将大幅面遥感图像分解为适用于c-segnet网络模型的一系列图像块；接下来，将各个图像块输入到训练好的c-segnet网络模型中，将图像分割为无云、薄云、厚云三类区域；最后，对各个图像块的分割结果进行拼接，得到反映大幅面遥感图像云分布情况的图像语义分割结果。

作为优选，步骤c中，小幅面遥感图像的大小为1100*1100。

作为优选，步骤d中，裁剪的起始点随机，大小为256*256。

作为优选，步骤d中，对遥感图像块和标注图像块进行处理包括翻转、旋转、色度变化、明暗变化、噪声干扰处理。

作为优选，步骤d中，训练样本的数量为10万对，大小为256*256。

本发明的有益效果是，本发明能够用于各种型号的光学遥感卫星图像，不但能够对整幅图像的云量进行分析，而且可以准确定位云分布的空间范围；不但能够检测厚云和无云区域，而且可以克服地表信息混合问题，检测薄云区域；同时，该方法的运算量小，云检测过程速度快，具有很强的实用性。通过对segnet网络模型进行修改，将segnet使用的vgg-16骨架网络增加两个卷积层，并将修改后的面向云检测的网络模型称为c-segnet。c-segnet的编码网络和解码网络各包含15个卷积层，能够更好的提取图像的高分辨率特征。

附图说明

图1为本发明的检测流程图。

图2为传统segnet网络模型的示意图。

图3为本发明c-segnet网络模型的示意图。

图4为第一张光学遥感卫星图像。

图5为图4处理后的效果图。

图6为第二张光学遥感卫星图像。

图7为图6处理后的效果图。

具体实施方式

参照图1，整个基于深度学习的精细化云检测过程分为训练和检测两个阶段。在训练阶段，执行以下操作：1)选择多景大幅面的遥感图像作为样本图像；2)将原始的大幅面单景遥感图像裁剪为多幅1100*1100大小的小幅面遥感图像；3)采用标注软件对小幅面遥感图像中的云类型进行逐像素的人工标注，将无云区域的像素值标注为0，将薄云区域的像素值标注为1，将厚云区域的像素值标注为2，得到小幅面的遥感图和标注图；4)对遥感图和标注图(1100*1100大小)进行多次裁剪，裁剪的起始点随机，大小为256*256；5)对裁剪得到的遥感图像块和标注图像块进行翻转、旋转、色度变化、明暗变化、噪声干扰处理，扩充样本数据；6)将处理得到的约10万对256*256大小的遥感图像块和标注图像块设置为深度学习网络的训练样本；7)根据计算设备的硬件配置设置网络模型参数；8)在caffe框架下，用c-segnet网络模型进行训练，得到针对云检测的c-segnet网络模型。在检测阶段，执行以下操作：1)读取一景需要进行云检测的大幅面遥感图像；2)将大幅面遥感图像切分为适用于c-segnet网络模型的一系列图像块(256*256大小)；3)通过训练阶段得到的c-segnet网络模型对各个图像块进行语义分割，将图像分割为无云、薄云、厚云三类区域；4)对各个图像块的分割结果进行拼接，得到大幅面云分布图像；5)输出大幅面云分布图像，作为云检测结果。

参照图2和图3，segnet网络模型采用vgg-16骨架网络，编码网络和解码网络各包含13个卷积层。c-segnet网络模型，在图3中用圆圈标示的4处增加了卷积层，编码网络和解码网络各包含15个卷积层。

参照图4-7，在效果图中浅灰色为无云区域、深灰色为薄云区域、白色为厚云区域。由此可见，本发明可以对云层分布状态进行准确检测。

技术特征：

1.一种基于深度学习的光学遥感卫星图像精细化云检测方法，其特征在于包括以下步骤，

a、云类型定义，

厚云，指完全遮挡了地面信息的云区域；

薄云，指遮挡了部分地面信息的云区域；

无云，指不受遮挡的地面区域；

b、样本选择，

选择多景大幅面的遥感图像作为样本图像，样本图像中包含各种形状、类型和厚度的云，各类雾、霾，各种类型的地物，不含云的图像；

c、数据标注，

首先将原始的样本图像裁剪为多幅小幅面遥感图像；然后对这些小幅面遥感图像中的云类型进行逐像素的人工标注，将无云区域的像素值标注为0，将薄云区域的像素值标注为1，将厚云区域的像素值标注为2；最后得到与小幅面遥感图像对应的标注图；

d、数据扩充，

首先对每一对小幅面遥感图像和标注图进行多次裁剪；然后对裁剪得到的遥感图像块和标注图像块进行处理，扩充样本数据；最后得到训练样本；

e、网络模型训练，

在caffe框架下，用c-segnet网络模型对训练样本进行训练，在train.txt和test.txt文件中设置训练样本的存储路径，在segnet_train.prototxt、segnet_inference.prototxt和segnet_solver.prototxt文件中设置网络模型参数，经过训练处理后得到能够进行云检测的c-segnet网络模型；

f、图像语义分割，

首先，读取一景需要进行云检测的大幅面遥感图像；然后，对该图像进行分块，将大幅面遥感图像分解为适用于c-segnet网络模型的一系列图像块；接下来，将各个图像块输入到训练好的c-segnet网络模型中，将图像分割为无云、薄云、厚云三类区域；最后，对各个图像块的分割结果进行拼接，得到反映大幅面遥感图像云分布情况的图像语义分割结果。

2.如权利要求1所述的基于深度学习的光学遥感卫星图像精细化云检测方法，其特征在于：步骤c中，小幅面遥感图像的大小为1100*1100。

3.如权利要求2所述的基于深度学习的光学遥感卫星图像精细化云检测方法，其特征在于：步骤d中，裁剪的起始点随机，大小为256*256。

4.如权利要求3所述的基于深度学习的光学遥感卫星图像精细化云检测方法，其特征在于：步骤d中，对遥感图像块和标注图像块进行处理包括翻转、旋转、色度变化、明暗变化、噪声干扰处理。

5.如权利要求4所述的基于深度学习的光学遥感卫星图像精细化云检测方法，其特征在于：步骤d中，训练样本的数量为10万对，大小为256*256。

技术总结
本发明公开了一种基于深度学习的光学遥感卫星图像精细化云检测方法，包括以下步骤：A、云类型定义；B、样本选择；C、数据标注；D、数据扩充；E、网络模型训练；F、图像语义分割。本发明能够解决现有技术的不足，克服云的光谱差异性、异物同谱现象、地表信息混合等问题，兼顾算法的简洁性和高效率，得到精细化的云层分布结果。

技术研发人员：张鹏;李智勇;邓志鹏;杨芳
受保护的技术使用者：湖南神帆科技有限公司
技术研发日：2020.08.12
技术公布日：2020.11.17