一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法

(一)本发明涉及的是一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法，可用于偏振遥感云像元的标识，为偏振遥感数据的应用与发展提供帮助。

背景技术：

0、(二)背景技术

1、由于超过66％的地球表面被云层覆盖，在依赖于光学卫星图像的大多数遥感应用中，云覆盖给遥感的应用带来了极大的困难与挑战。例如，检测与追踪相关的应用可能需要清晰的天空像素作为输入，云层可能遮挡陆地上的物体并导致遥感应用的困难，包括变化检测、物体跟踪和地球物理参数检索等。因此，正确有效地对云进行分类是至关重要的预处理步骤。偏振遥感不仅可以获取强度辐射信息，还能获取偏振辐射信息，从而获取更多可以表征云和地表特性的信息。

2、偏振作为光的固有特性之一。地球表面和大气中的任何目标物在与光相互作用的过程中，由于目标物的表面结构、内部结构以及光入射的角度不同，都会产生其自身性质决定的特征偏振，即光的偏振状态的变化包含了这些作用对象的物理状态信息。由于传统遥感探测只考虑了电磁波的辐射强度特性和几何特性丢失了许多信息，而偏振遥感探测是对电磁波的辐射强度、方向、相位以及偏振状态等波谱特性进行描述，是传统遥感探测的一个有益补充，把信息量从三维空间(光强、光谱和空间)扩充到七维空间(光强、光谱、空间、偏振度、偏振方位角、偏振椭率和旋转的方向)，有助于提高目标探测和地物识别的准确度。

3、深度学习以其卓越的学习潜力，能深入发掘数据的内在规律与特性，从而为遥感数据的精准分类提供了坚实的决策支持。采用polder3 l1卫星数据作为数据集，基于深度学习模型进行偏振遥感云检测，解决目前已有深度学习模型输入特征信息过少，检测精度低等问题。

4、相比较传统的阈值法云检测，深度学习以其强大的学习能力及可移植能力逐渐成为主流方法。li等人提出了一个融合多尺度光谱和空间特征的轻量级网络(cdfm3sf)用于云检测。zhang等人基于上下块的深度网络使用小波变换和连续多尺度空间注意力进行云检测。li等人提出了一种基于遗传强化学习的云检测方法。zha等人提出一个基于双通道多尺度深度网络(dcmsdn)用于ot检测。li等人采用拓展残差块构建一种金字塔上下文网络(pcnet)用于云检测。guo等人基于u-net模型提出了一种基于注意力的卷积神经网络云检测模型(cloud-attu)。目前，基于深度学习模型的云检测方法大都采用监督或半监督方式，即需要手动的给输入数据标签对，大大增加了人力成本。此外，基于深度学习的云检测算法在高反地表(冰/雪等)上空薄云的检测效果还有待进一步提高。

5、本发明所提出一种综合纹理信息、光谱信息、偏振信息、多角度信息的多角度偏振云检测方法，该方法深度挖掘偏振遥感卫星的特征信息，综合空间纹理、光谱、偏振、多角度等多维度信息，帮助模型学习到更丰富更深层次的遥感图像特征信息，取得更好的云检测精度。

技术实现思路

0、(三)
技术实现要素：

1、本发明的目的在于提供一种综合多维度特征信息作为模型输入数据，帮助模型学习到更丰富更深层次的遥感图像特征信息，利用gs-densenet模型进行云检测，以获取更高精度的偏振遥感云检测结果。

2、本发明的目的是通过以下技术手段实现的：

3、一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法，包括：

4、步骤1，获取polder3 l1卫星在不同观测角度下的有效观测数据；

5、步骤2，对偏振遥感卫星的实测数据进行预处理，综合纹理、光谱、偏振、多角度信息作为云检测模型的特征输入，构建云检测训练样本；

6、步骤3，gs-densenet模型，引入gabor变换及通道注意力机制，构建基于densenet模型的偏振遥感云检测模型；

7、步骤4，基于步骤2的训练数据集训练步骤3的模型，根据训练结果，剔除对云识别产生消极影响的特征信息，确定最佳的云训练数据样本，提高云检测模型的识别精度；

8、步骤5，根据步骤4确定的最佳的云训练数据样本，训练并优化云检测模型；

9、步骤6，进行消融实验与对比试验，验证本方法模型性能的优越性；

10、步骤7，采用modis官方算法输出的云标签数据与模型预测结果，对比分析一致性大小，验证该方法的有效性；

11、进一步，所述步骤2中所述的多维度特征信息融合作为模型的输入数据，其流程图如图2所示，分别提取不同观测角度下的纹理信息，光谱信息，偏振信息作为模型的输入特征；

12、进一步，所述步骤3中所述的gs-densenet模型，其流程图如图3所示，多维度特征信息作为输入，首先进行gabor变换，增强纹理特征，再通过卷积及通道注意力机制逐步提取及强调重要特征信息；

13、本发明的有益效果：本发明是综合多维度特征信息利用深度学习模型进行云检测，通过融合纹理，偏振，光谱，多角度等特征信息，增强深度学习模型的学习能力，深度挖掘潜在的特征信息，实现偏振遥感高精度云检测，为偏振遥感的数据应用和发展提供有效帮助。

技术特征：

1.一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法，其特征在于，具体步骤包括：

2.根据权利要求1所述的一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法，其特征在于：步骤2中，综合了纹理，光谱，角度，偏振等多维度特征信息作为模型的输入特征。

3.根据权利要求1所述的一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法，其特征在于：步骤3中，构建基于densenet的云检测模型(gs-densenet模型)，引入gabor及通道注意力机制，如图4所示，增强图片的纹理特征，并逐渐增强特征图片中重要的特征信息，抑制带来过多噪声的通道信息。

技术总结
本发明公开了一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法，包括：构建包含空间纹理、光谱、偏振、多角度等多维度信息的深度学习训练数据集，搭建基于DenseNet模型的偏振遥感云检测模型(GS‑DenseNet)，引入Gabor变换及通道注意力机制,优化云检测模型及数据集；通过MODIS云标签数据验证模型云检测的有效性。本发明可用于偏振遥感的云检测，为偏振遥感数据的应用与发展提供帮助。

技术研发人员：李树,季兴元,储小雪,叶松,王新强,王方原,甘永莹
受保护的技术使用者：桂林电子科技大学
技术研发日：
技术公布日：2024/3/12