(12)发明专利申请
(10)申请公布号 CN 111274865 A(43)申请公布日 2020.06.12
(21)申请号 201911286668.6(22)申请日 2019.12.14
(71)申请人 深圳先进技术研究院
地址 518055 广东省深圳市南山区西丽大
学城学苑大道1068号(72)发明人 林创 陈劲松 李洪忠
(74)专利代理机构 深圳市科进知识产权代理事
务所(普通合伙) 44316
代理人 曹卫良(51)Int.Cl.
G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)
权利要求书2页 说明书8页 附图4页
CN 111274865 A(54)发明名称
一种基于全卷积神经网络的遥感图像云检测方法及装置(57)摘要
本发明涉及遥感检测领域，具体涉及一种基于全卷积神经网络的遥感图像云检测方法及装置。该方法及装置选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；构建SP-HRNet网络模型，网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；使用网络参数模型进行遥感图像云检测。该方法及装置能够一直保持多个分辨率的子网络，这样使得在对图像进行特征提取过程中信息不会被丢失，同时加深网络深度，结合深度可分离卷积，提高网络对特征的提取能力，丰富检测结果的细节信息，提高云检测的精度。
CN 111274865 A
权 利 要 求 书
1/2页
1.一种基于全卷积神经网络的遥感图像云检测方法，其特征在于，包括以下步骤：选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；构建SP-HRNet网络模型，所述网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；
训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；使用网络参数模型进行遥感图像云检测。
2.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述连续并行的多分辨率子网络包含多个子网络且分为多个阶段；多个子网络通过其分辨率由高到低分布且依次串联，并形成多个卷积；相邻两个子网络之间有一个下采样层，将分辨率减半；从与原图相同分辨率的子网络开始作为第一个阶段，之后通过步长为2的卷积逐步增加高分辨率到低分辨率的子网络，形成新的阶段，并将多个分辨率的子网络并行连接。
3.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述重复多尺度融合模块被配置为：所述网络模型在并行子网络之间引入交换单元，子网络的每个阶段之间可重复地接收其他阶段的特征提取信息，并进行多尺度融合，把高分辨率信息融入低分辨特征层。
4.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述与深度可分离卷积结合模块被配置为：深度可分离卷积首先使用卷积核将特征图的各个通道映射到一个新的空间，再通过另一卷积核进行卷积，通过深度可分离卷积实现通道和空间的分离。
5.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型包括：将训练集输入搭建好的网络模型，设定学习率、迭代次数超参数，设置用于优化网络参数的损失函数，根据训练好的损失曲线调整训练过程，最终得到训练好的网络参数模型。
6.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述方法还包括：
在数据集中获取测试集，将测试集输入网络参数模型，得到测试集的提取结果，对网络模型进行评价。
7.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，选择风云气象卫星遥感图像的RGB波段将图像裁剪为256*256大小构建数据集，再按照4:1的比例分成训练集和测试集。
8.根据权利要求1所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述方法还包括：
对风云气象卫星遥感图像进行预处理。
9.根据权利要求8所述的基于全卷积神经网络的遥感图像云检测方法，其特征在于，所述对风云气象卫星遥感图像进行预处理包括：
利用arcgis和ENVI对风云气象卫星遥感图像进行辐射校正和空间域增强处理滤波。10.一种基于全卷积神经网络的遥感图像云检测装置，其特征在于，包括：数据集获取单元，用于选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集；
2
CN 111274865 A
权 利 要 求 书
2/2页
网络模型构建单元，用于构建SP-HRNet网络模型，所述网络模型包括连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结合模块；
训练单元，用于训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数模型；
检测单元，用于使用网络参数模型进行遥感图像云检测。
3
CN 111274865 A
说 明 书
1/8页
一种基于全卷积神经网络的遥感图像云检测方法及装置
技术领域
[0001]本发明涉及遥感检测领域，具体而言，涉及一种基于全卷积神经网络 的遥感图像云检测方法及装置。
背景技术
[0002]根据国际卫星云气候计划ISCCP提供的全球云量数据显示，云覆盖了 全球60％以上的地球表面。因此遥感影像在成像过程中极其容易受到云层 的遮挡，导致原物地物光谱失真，对影像的信息提取造成很大的影响。目 前已有的云检测方法大致可以概括为光谱阈值法、空间纹理分析法、模式 识别检测法以及机器学习方法等。基于光谱阈值的云检测方法是研究历史 最久远的方法，主要通过提取每个像素的各种光谱特征，然后使用一个或 多个阈值确定云掩膜。这种方法一般具有计算简单的特点，但是它是依据 某些光谱谱段的数据进行检测，所以一般仅局限于特定的遥感数据，普适 性较差。基于空间纹理的云检测方法主要是利用了像素空间信息的相互关 系进行云检测，其对不同传感器的适应性优于光谱阈值法。然而云的形态 特征多种多样，在下垫面和似云地物的干扰下，如何选取合适的纹理特征 以便得到较高的提取精度依然存在很大的困难。模式识别法依赖正确的训 练数据集和特征的组合来确定方法的性能优劣。基于机器学习的云检测方 法通常将云层视为一种地表覆盖类型，并通过已有的样本数据集综合光谱、 空间特征，构建特定的分类器，进行云层的分类识别提取。虽然机器学习 的云检测方法可以进一步提高云检测的精度，但是此类算法存在训练分类 器耗时、费力、难以满足海量影像数据自动提取等缺陷。[0003]近年来，随着深度学习在图像处理领域取得成功，深度学习卷积神经 网络作为专门为图像处理与计算机视觉所设计的网络，其性能已在大量实 验中超越了传统图像方法。Xie等人将卷积神经网络良好的分类能力应用 于遥感影像云分类，取得了很好的检测效果，但是基于神经网络的分类也 有局限性，最后只能输出一个分类结果无法做到对每一个像素点进行分类。 2015年提出的第一个基于卷积神经网络修改的语义分割网络FCN克服了 这个难题，将用于分类的卷积神经网络的全连接层换为卷积层，可适应任 意尺寸输入，能够做到每一个像素点进行分类。之后这一网络架构广泛用 于遥感图像分类。但是目前应用于云检测的卷积神经网络结构在下采样过 程中会丢失空间信息，造成在上采样恢复图像分辨率时信息无法恢复检测 结果不准确。2019年提出的语义分割卷积神经网络HRNet(High Resolution Net)为这一问题提供了解决思路，HRNet保持有多个分辨率 的子网络，并且在网络提取特征过程中，各个子网络之间可以进行信息融 合，这样减少了信息的丢失，但HRNet网络仅使用了三层的下采样层，使 得网络对图像特征提取能力不足，造成检测结果不准确。
[0004]基于FCN网络架构的全卷积神经网络的云检测方法，在对图像下采样 提取特征的过程中会丢失空间信息，造成上采样恢复图像分辨率时信息无 法恢复，得到的检测结果不精确。其缺点主要是卷积神经网络在对图像进 行特征提取过程中进行池化操作或者其他下采样操作图像分辨率大小会 不断减小，造成信息在这一过程中不断丢失，而网络在恢复
4
CN 111274865 A
说 明 书
2/8页
图像分辨率时 丢失的信息无法完全恢复造成最后得出的检测结果不准确。
发明内容
[0005]本发明实施例提供了一种基于全卷积神经网络的遥感图像云检测方 法及装置，以至少解决现有云检测方法检测准确度低的技术问题。[0006]根据本发明的一实施例，提供了一种基于全卷积神经网络的遥感图像 云检测方法，包括以下步骤：
[0007]选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取 训练集；[0008]构建SP-HRNet网络模型，网络模型包括连续并行的多分辨率子网络、 重复多尺度融合模块以及与深度可分离卷积结合模块；[0009]训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数 模型；[0010]使用网络参数模型进行遥感图像云检测。[0011]进一步地，连续并行的多分辨率子网络包含多个子网络且分为多个阶 段；多个子网络通过其分辨率由高到低分布且依次串联，并形成多个卷积； 相邻两个子网络之间有一个下采样层，将分辨率减半；从与原图相同分辨 率的子网络开始作为第一个阶段，之后通过步长为2的卷积逐步增加高分 辨率到低分辨率的子网络，形成新的阶段，并将多个分辨率的子网络并行 连接。[0012]进一步地，重复多尺度融合模块被配置为：网络模型在并行子网络之 间引入交换单元，子网络的每个阶段之间可重复地接收其他阶段的特征提 取信息，并进行多尺度融合，把高分辨率信息融入低分辨特征层。[0013]进一步地，与深度可分离卷积结合模块被配置为：深度可分离卷积首 先使用卷积核将特征图的各个通道映射到一个新的空间，再通过另一卷积 核进行卷积，通过深度可分离卷积实现通道和空间的分离。[0014]进一步地，训练集输入网络模型进行训练，得到网络模型的参数，形 成网络参数模型包括：将训练集输入搭建好的网络模型，设定学习率、迭 代次数超参数，设置用于优化网络参数的损失函数，根据训练好的损失曲 线调整训练过程，最终得到训练好的网络参数模型。
[0015]进一步地，方法还包括：[0016]在数据集中获取测试集，将测试集输入网络参数模型，得到测试集的 提取结果，对网络模型进行评价。[0017]进一步地，选择风云气象卫星遥感图像的RGB波段将图像裁剪为 256*256大小构建数据集，再按照4:1的比例分成训练集和测试集。[0018]进一步地，方法还包括：
[0019]对风云气象卫星遥感图像进行预处理。[0020]进一步地，对风云气象卫星遥感图像进行预处理包括：[0021]利用arcgis和ENVI对风云气象卫星遥感图像进行辐射校正和空间域 增强处理滤波。
[0022]根据本发明的另一实施例，提供了一种基于全卷积神经网络的遥感图 像云检测装置，包括：
5
CN 111274865 A[0023]
说 明 书
3/8页
数据集获取单元，用于选择风云气象卫星遥感图像的RGB波段构建数 据集，在数
据集中获取训练集；
[0024]网络模型构建单元，用于构建SP-HRNet网络模型，网络模型包括连 续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积结 合模块；[0025]训练单元，用于训练集输入网络模型进行训练，得到网络模型的参数， 形成网络参数模型；
[0026]检测单元，用于使用网络参数模型进行遥感图像云检测。
[0027]本发明实施例中的基于全卷积神经网络的遥感图像云检测方法及装 置，选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取 训练集；构建SP-HRNet网络模型，网络模型包括连续并行的多分辨率子 网络、重复多尺度融合模块以及与深度可分离卷积结合模块；训练集输入 网络模型进行训练，得到网络模型的参数，形成网络参数模型；使用网络 参数模型进行遥感图像云检测。该方法及装置能够一直保持多个分辨率的 子网络，这样使得在对图像进行特征提取过程中信息不会被丢失，同时加 深网络深度，结合深度可分离卷积，提高网络对特征的提取能力，丰富检 测结果的细节信息，提高云检测的精度。
附图说明
[0028]此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一 部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发 明的不当限定。在附图中：[0029]图1为本发明基于全卷积神经网络的遥感图像云检测方法的流程图；[0030]图2为本发明基于全卷积神经网络的遥感图像云检测方法的优选流程 图；[0031]图3为本发明中SP-HRNet网络结构图；
[0032]图4为本发明一种包含五个连续并行子网络的网络结构图；
[0033]图5为本发明基于全卷积神经网络的遥感图像云检测装置的模块图；[0034]图6为本发明基于全卷积神经网络的遥感图像云检测装置的优选模块 图；
图7为本发明基于全卷积神经网络的遥感图像云检测方法的测试结果 图。具体实施方式
[0035]为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施 例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动 前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0036]需要说明的是，本发明的说明书和权利要求书及上述附图中的术语 “第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序 或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里 描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序 实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆 盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、 产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚 地列出的或对于这些过程、
6
CN 111274865 A
说 明 书
4/8页
方法、产品或设备固有的其它步骤或单元。
[0037]本发明为要解决遥感图像采用卷积神经网络方法进行云检测时检测 不准确的技术问题，提高检测结果精度，提出了一种基于全卷积神经网络 HRNet的遥感图像云检测方法SP-HRNet,该方法能够一直保持多个分辨率 的子网络，这样使得在对图像进行特征提取过程中信息不会被丢失，同时 加深网络深度，结合深度可分离卷积，提高网络对特征的提取能力，丰富 检测结果的细节信息，提高云检测的精度。[0038]实施例1
[0039]根据本发明一实施例，提供了一种基于全卷积神经网络的遥感图像云 检测方法，参见图1，包括以下步骤：
[0040]S101:选择风云气象卫星遥感图像的RGB波段构建数据集，在数据集 中获取训练集；
[0041]S102:构建SP-HRNet网络模型，网络模型包括连续并行的多分辨率子 网络、重复多尺度融合模块以及与深度可分离卷积结合模块；[0042]S103:训练集输入网络模型进行训练，得到网络模型的参数，形成网 络参数模型；[0043]S104:使用网络参数模型进行遥感图像云检测。
[0044]本发明实施例中的基于全卷积神经网络的遥感图像云检测方法，选择 风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集； 构建SP-HRNet网络模型，网络模型包括连续并行的多分辨率子网络、重 复多尺度融合模块以及与与深度可分离卷积结合模块；训练集输入网络模 型进行训练，得到网络模型的参数，形成网络参数模型；使用网络参数模 型进行遥感图像云检测。该方法及装置能够一直保持多个分辨率的子网络， 这样使得在对图像进行特征提取过程中信息不会被丢失，同时加深网络深 度，结合深度可分离卷积，提高网络对特征的提取能力，丰富检测结果的 细节信息，提高云检测的精度。[0045]具体地，参见图2，方法还包括：[0046]S105:在数据集中获取测试集，将测试集输入网络参数模型，得到测 试集的提取结果，对网络模型进行评价。[0047]具体地，参见图2，方法还包括：
[0048]S100:对风云气象卫星遥感图像进行预处理。[0049]下面以具体的实施例，对本发明基于全卷积神经网络的遥感图像云检 测方法进行详细描述。
[0050]基于全卷积神经网络的遥感图像云检测方法，包括以下步骤：[0051]1.遥感图像预处理，利用arcgis和ENVI进行辐射校正和空间域增强 处理滤波，消除干扰，得到真实反射率的数据。
[0052]2.选择风云气象卫星遥感图像的RGB波段(第1蓝、2绿、3红波段) 将图像裁剪为256*256大小，构建数据集，再按照4:1的比例分成训练集 和测试集。[0053]3.提出SP-HRNet网络结构，构建网络模型，网络模型包含以下模块：[0054](1)连续并行的多分辨率子网络；[0055](2)重复多尺度融合模块；[0056](3)与深度可分离卷积结合模块。[0057]相比于HRNet,SP-HRNet首先加深了网络的深度,其次结合深度可分离 卷积，提升
7
CN 111274865 A
说 明 书
5/8页
网络的宽度，有利于特征信息在网络中进行传播，有效地提高 了对特征信息的提取能力。具体网络结构如图3所示。
[0058]4.训练集输入网络模型进行训练，得到网络模型的参数，形成网络参 数模型。[0059]5.对网络参数模型输入测试集，得到测试集图像的提取结果，对本发 明提出的网络结构进行评价。
[0060]网络模型具体内容如下：[0061](1)、连续并行的多分辨子网络。网络包含5个子网络且分为5个阶 段，相比于HRNet网络，对网络层数进行加深，有利于对特征的提取，网 络通过串联由高到低分辨率的子网络组成，由一系列卷积组成，相邻两个 子网络之间有一个下采样层，将分辨率减半。网络从与原图相同分辨率的 子网络开始作为第一个阶段，之后通过步长为2的卷积逐步增加高分辨率 到低分辨率的子网络，形成新的阶段，并将多个分辨率的子网络并行连接。 例如，请参照图4所示一种包含五个连续并行子网络的网络结构；
[0062][0063]
其中Nsr表示第s个子网络的第r个阶段，而且r同时表示分辨率指 数(它的分辨率
)。斜向下的箭头表示下采样层， 是一个步长为2的卷积层，将分
表示原图像分辨率的
辨率减半。[0064](2)、重复多尺度融合模块。网络在并行子网络之间引入交换单元， 如图3中既有向下箭头又有向上箭头交叉的部分，这样做是使得网络的每 个阶段之间可以重复地接收其他阶段的特征提取信息，充分地进行多尺度 融合，把高分辨率信息融入低分辨特征层，进一步保持遥感图像云检测细 节信息。[0065](3)、与深度可分离卷积结合模块。网络将原先残差模块中的卷积改 为深度可分离卷积，深度可分离卷积首先使用3*3的卷积核将特征图的各 个通道映射到一个新的空间，在这一过程中学习通道相关性，再通过1*1 卷积核进行卷积，以同时学习空间的相关性和通道间的相关性，这一操作 在遥感图像处理上尤为有效，遥感图像中空间的纹理信息与波段信息密不 可分，通过深度可分离卷积可实现通道和空间的分离，学习两者的相关性， 不仅比线性低秩卷积减小所需要的参数，使得网络的训练速度变快，而且 进一步提升了网络的宽度，使得更多的特征信息能够在网络中传播，增强 了网络的重建质量。[0066]训练集输入网络模型进行训练，得到网络模型的参数，形成网络参数 模型：[0067]将建好的训练集输入搭建好的网络模型，设定学习率、迭代次数等超 参数，设置用于优化网络参数的损失函数，根据训练好的损失曲线调整训 练过程，最终得到训练好的网络参数模型。
[0068]输入测试集，评价提取结果：
[0069]将建好的测试集输入网络参数模型，得到测试集图像的提取结果，对 本发明提出的网络结构进行评价。[0070]实施例2
[0071]根据本发明的另一实施例，提供了一种基于全卷积神经网络的遥感图 像云检测装置，参见图5，包括：
[0072]数据集获取单元201，用于选择风云气象卫星遥感图像的RGB波段构 建数据集，在
8
CN 111274865 A
说 明 书
6/8页
数据集中获取训练集；
[0073]网络模型构建单元202，用于构建SP-HRNet网络模型，网络模型包括 连续并行的多分辨率子网络、重复多尺度融合模块以及与深度可分离卷积 结合模块；[0074]训练单元203，用于训练集输入网络模型进行训练，得到网络模型的 参数，形成网络参数模型；
[0075]检测单元204，用于使用网络参数模型进行遥感图像云检测。
[0076]本发明实施例中的基于全卷积神经网络的遥感图像云检测装置，选择 风云气象卫星遥感图像的RGB波段构建数据集，在数据集中获取训练集； 构建SP-HRNet网络模型，网络模型包括连续并行的多分辨率子网络、重 复多尺度融合模块以及与深度可分离卷积结合模块；训练集输入网络模型 进行训练，得到网络模型的参数，形成网络参数模型；使用网络参数模型 进行遥感图像云检测。该方法及装置能够一直保持多个分辨率的子网络， 这样使得在对图像进行特征提取过程中信息不会被丢失，同时加深网络深 度，结合深度可分离卷积，提高网络对特征的提取能力，丰富检测结果的 细节信息，提高云检测的精度。[0077]具体地，参见图6，装置还包括：[0078]评价单元205，用于在数据集中获取测试集，将测试集输入网络参数 模型，得到测试集的提取结果，对网络模型进行评价。[0079]具体地，参见图6，装置还包括：[0080]预处理单元200，用于对风云气象卫星遥感图像进行预处理。[0081]下面以具体的实施例，对本发明基于全卷积神经网络的遥感图像云检 测方法进行详细描述。
[0082]基于全卷积神经网络的遥感图像云检测装置，包括：[0083]1.预处理单元200：遥感图像预处理，利用arcgis和ENVI进行辐射 校正和空间域增强处理滤波，消除干扰，得到真实反射率的数据。[0084]2.数据集获取单元201：选择风云气象卫星遥感图像的RGB波段(第 1蓝、2绿、3红波段)将图像裁剪为256*256大小，构建数据集，再按照 4:1的比例分成训练集和测试集。[0085]3.网络模型构建单元202：提出SP-HRNet网络结构，构建网络模型， 网络模型包含以下模块：[0086](1)连续并行的多分辨率子网络；[0087](2)重复多尺度融合模块；[0088](3)与深度可分离卷积结合模块。[0089]相比于HRNet,SP-HRNet首先加深了网络的深度,其次结合深度可分离 卷积，提升网络的宽度，有利于特征信息在网络中进行传播，有效地提高 了对特征信息的提取能力。具体网络结构如图3所示。[0090]4.训练单元203：训练集输入网络模型进行训练，得到网络模型的参 数，形成网络参数模型。
[0091]5.检测单元204：使用网络参数模型进行遥感图像云检测。[0092]6.评价单元205：对网络参数模型输入测试集，得到测试集图像的提 取结果，对本发明提出的网络结构进行评价。[0093]网络模型具体内容如下：
9
CN 111274865 A[0094]
说 明 书
7/8页
(1)、连续并行的多分辨子网络。网络包含5个子网络且分为5个阶 段，相比于
HRNet网络，对网络层数进行加深，有利于对特征的提取，网 络通过串联由高到低分辨率的子网络组成，由一系列卷积组成，相邻两个 子网络之间有一个下采样层，将分辨率减半。网络从与原图相同分辨率的 子网络开始作为第一个阶段，之后通过步长为2的卷积逐步增加高分辨率 到低分辨率的子网络，形成新的阶段，并将多个分辨率的子网络并行连接。 例如，请参照图4所示一种包含五个连续并行子网络的网络结构；
[0095][0096]
其中Nsr表示第s个子网络的第r个阶段，而且r同时表示分辨率指 数(它的分辨率
)。斜向下的箭头表示下采样层， 是一个步长为2的卷积层，将分
表示原图像分辨率的
辨率减半。[0097](2)、重复多尺度融合模块。网络在并行子网络之间引入交换单元， 如图3中既有向下箭头又有向上箭头交叉的部分，这样做是使得网络的每 个阶段之间可以重复地接收其他阶段的特征提取信息，充分地进行多尺度 融合，把高分辨率信息融入低分辨特征层，进一步保持遥感图像云检测细 节信息。[0098](3)、与深度可分离卷积结合模块。网络将原先残差模块中的卷积改 为深度可分离卷积，深度可分离卷积首先使用3*3的卷积核将特征图的各 个通道映射到一个新的空间，在这一过程中学习通道相关性，再通过1*1 卷积核进行卷积，以同时学习空间的相关性和通道间的相关性，这一操作 在遥感图像处理上尤为有效，遥感图像中空间的纹理信息与波段信息密不 可分，通过深度可分离卷积可实现通道和空间的分离，学习两者的相关性， 不仅比线性低秩卷积减小所需要的参数，使得网络的训练速度变快，而且 进一步提升了网络的宽度，使得更多的特征信息能够在网络中传播，增强 了网络的重建质量。[0099]训练单元203：训练集输入网络模型进行训练，得到网络模型的参数， 形成网络参数模型。
[0100]将建好的训练集输入搭建好的网络模型，设定学习率、迭代次数等超 参数，设置用于优化网络参数的损失函数，根据训练好的损失曲线调整训 练过程，最终得到训练好的网络参数模型。
[0101]评价单元205：输入测试集，评价提取结果。[0102]将建好的测试集输入网络参数模型，得到测试集图像的提取结果，对 本发明提出的网络结构进行评价。
[0103]本发明的创新技术点至少在于：[0104]1、步骤3中提出的SP-HRNet网络结构。[0105]2、步骤3中“与深度可分离卷积结合”在网络结构中的实现方式。[0106]本发明相对于现有技术的优点至少在于：[0107](1)相比于类似FCN网络结构的网络，本发明先进行下采样之后再 进行上采样恢复图像分辨率的网络结构，在一定程度上丰富云检测结果的 细节信息。[0108](2)相比于利用HRNet进行云检测，本发明的网络加深网络深度， 同时结合深度可分离卷积，提高特征提取能力，可以在一定程度上提高云 检测结果精度。[0109]利用风云气象卫星影像数据构成的训练集对本发明提出的SP-HRNet 网络模型进
10
CN 111274865 A
说 明 书
8/8页
行训练，测试集进行测试，同时与DeepLab v3+(谷歌提出的 DeepLab系列网络中性能最好的网络，在许多公开数据集上取得优秀的分 割结果)、HRNet卷积网络的云检测结果进行对比，初步实现了本发明的目 的。
[0110]图7(a)-(d)分别为遥感图像的原图、DeepLab v3+云检测结果图、 HRNet云检测结果图以及SP-HRNet云检测结果图。图7(e)-(h)分别为图7 中(a)图像的A区域、DeepLab v3+云检测结果图、HRNet云检测结果图以 及SP-HRNet云检测结果图。(i)-(l)分别是图7中(a)图像的B区域、 DeepLab v3+云检测结果图、HRNet云检测结果图以及SP-HRNet云检测结 果图。[0111]相比于DeepLab v3+云检测结果，本发明在很大程度上丰富了云检测 结果的细节信息。如图7所示，DeepLab v3+只能检测大块的云区域，对 于内部的细节信息无法检测。而SP-HRNet不仅可以对云区域进行检测， 而且可以对内部的无云区域进行避免，对云层进行精确检测。相比于HRNet 云检测结果，如图7(a)的A区域和B区域，HRNet云检测结果存在错检和 漏检现象，SP-HRNet则能够很好的保存细节信息，有效地减少错检及漏检 区域。[0112]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0113]在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实 施例中没有详述的部分，可以参见其他实施例的相关描述。[0114]在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容， 可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的， 例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划 分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一 些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或 直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信 连接，可以是电性或其它的形式。
[0115]作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者 全部单元来实现本实施例方案的目的。[0116]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元 中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在 一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软 件功能单元的形式实现。
[0117]集成的单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解， 本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术 方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存 储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人 计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部 分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁 碟或者光盘等各种可以存储程序代码的介质。
[0118]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的 普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进 和润饰，这些改进和润饰也应视为本发明的保护范围。
11
CN 111274865 A
说 明 书 附 图
1/4页
图1
图2
12
说 明 书 附 图
图3
图4
图5
13
2/4页
CN 111274865 A
CN 111274865 A
说 明 书 附 图
3/4页
图6
14
CN 111274865 A
说 明 书 附 图
图7
15
4/4页
因篇幅问题不能全部显示，请点此查看更多更全内容