CN106228130A - 基于模糊自编码网络的遥感影像云检测方法 - Google Patents
基于模糊自编码网络的遥感影像云检测方法 Download PDFInfo
- Publication number
- CN106228130A CN106228130A CN201610571631.8A CN201610571631A CN106228130A CN 106228130 A CN106228130 A CN 106228130A CN 201610571631 A CN201610571631 A CN 201610571631A CN 106228130 A CN106228130 A CN 106228130A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- image
- remote sensing
- cloud
- autoencoder network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于模糊自编码网络的遥感影像云检测方法,包括以下步骤:首先,对影像进行纹理特征提取并将提取得到的纹理特征作为新的波段加入到原遥感影像中;然后,再从影像中提取各类地物的纯净像元作为训练样本对构造的模糊自编码网络进行训练;最后,对于其他给定待检测遥感影像,将其输入训练完成的模糊自编码网络中并最终得到云层厚度分布图。本发明结合自编网络及模糊函数,对遥感影像进行多层特征提取,并利用隶属函数将传统云检测的二值分类问题进一步定量化为检测云层厚度,提高了云检测的准确度。
Description
技术领域
本发明属于遥感影像处理技术领域,涉及一种基于模糊自编码网络的遥感影像云检测方法。
背景技术
空间科学技术的发展使遥感技术应用于越来越多的领域,遥感卫星获取的光学遥感图像具有信息量大、分辨率高和几何定位性质稳定等优势,然而,成像过程中易受大气密度、天气变化等的影响,许多影像不可避免的被云层所遮挡而存在“盲区”,极大地影响了影像中的信息提取,给动态监测、土地利用、影像识别、目标跟踪等应用带来巨大的困难。如果整幅被云覆盖的遥感影像数据超过50%,可用信息将非常少。因此,为了有效提高遥感影像数据的利用率,影像云检测显得十分迫切,是后续影像分析的重要前提。
在遥感影像上,厚云表现为高反射、低温、存在云影,与大部分下垫面地物较易区分;由于太阳光可穿透薄云,薄云的光谱特征与地物的光谱特征混合,使得二者难以通过单波段阈值得以分离,增加了云检测难度。一些高反射地物类型,如裸露的砂岩、冰雪、高亮建筑物等,它们在可见光和红外波段的光谱特征和云的十分相似,给云检测增加了干扰。因此,云检测成为遥感影像应用过程中的一大难点,云检测结果的正确与否直接影响到大气和地表其他参数的反演结果,也是云去除及其他遥感应用的必要步骤。
针对遥感影像上云遮挡问题,国内外众多学者利用多光谱遥感资料进行云检测已有多年历史。归纳起来,可分为厚云检测、薄云检测、云影检测。传统的厚云检测常采用阈值法,该方法操作简单且较易实现。大部分厚云检测算法都依赖人工的干涉,大数据时代的海量数据,人工的方法已经无法满足应用,自动云检测算法显得十分有必要。自动云覆盖估计ACCA(Automatic Cloud Cover Assessment)算法,利用通道一确定云覆盖面积,利用通道二确定云的显著特性,最后聚合两个通道的结果完成云覆盖量的估计。但是,ACCA算法无法识别高纬度带的暖卷云和冰雪,且没有生成可用的云图产品。朱喆等提出面向对象的云及云影检测算法Fmask(Function of mask),根据云及云影的物理特征设计一系列提取规则以便提取云及云影像素,再依据空间几何特征匹配潜在云与潜在云影,完成云及云影的自动检测。Fmask产生的云掩膜的整体精度较高,但仍存在云影过检现象,且Fmask无法检测暖薄云而造成漏检率增大,明亮的冷地物(砂岩或冰雪等)会增大错检率。Fmask使用的阈值过于依赖影像,且对于影像中的所有像素均使用统一阈值,对于复杂地表反射区域的影像并不适用。
HOT变换(Haze Optimized Transformation)从薄云的厚度出发,检测Landsat影像上薄云的空间分布。后来刘泽树等利用暗原色先验知识完成晴空区的自动选择,再通过HOT变换检测薄云,然后利用植被区域云检测精度较高的特点利用NDVI指数改进薄云检测效果,提出改进的HOT变换,最后采用虚拟云点法对影像的每个波段进行薄云去除。云影识别多基于光谱测试,利用阴影与其他地物类别在遥感影像不同波段的反射特征差异实现云影的提取。
传统的云检测主要采用阈值法、特征分析法、同态滤波法、聚类分析法和人工神经网络法等。传统云检测方法过分依赖人工参与,还依赖于影像本身,而且大部分的算法仅仅针对于厚云或者薄云,对于一幅影像上同时存在厚云和薄云的情况,检测效果有待提高。
发明内容
针对现有技术的不足,本发明提供一种结合模糊函数与自编码网络的云检测方法,有效地对遥感影像上的云层进行检测,提高遥感影像云检测的精度。
为实现上述目的,本发明的技术方案为一种基于模糊自编码网络的遥感影像云检测方法,包括以下步骤:
步骤a,对影像进行纹理特征提取;
步骤b,提取影像中各类地物的纯净像元,并选取与纯净像元距离小于给定阈值的像素点作为训练样本;
步骤c,构建模糊自编码网络;
步骤d,利用随机梯度下降法对模糊自编码网络进行训练;
步骤e,对于给定的待检测遥感影像,以步骤a的方式提取纹理特征,并将其与影像光谱共同输入步骤d中训练完成的模糊自编码网络,最终输出得到影像上云层厚度的分布图;
而且,步骤a中,利用灰度共生矩阵对影像的纹理特征进行提取,然后将提取得到的纹理特征与原影像的光谱信息合并作为特征。
而且,步骤b中,需要从大量实验影像中提取纯净像元,并选取距纯净像元较近的部分像素作为训练样本。
而且,步骤c中,通过构建含有多个隐含层的自编码网络来实现对影像的多层特征提取,最后将提取得到的特征输入隶属函数中对云层进行预测。
而且,所述步骤c中,构建含有两个隐含层的自编码网络,并采用隶属函数
代替自编码网络的分类器层,对云层厚度进行检测;其中,k和a为隶属函数参数,p为网络输入,y为第二个隐含层的输出。
而且,步骤d中,采用随机梯度下降法对模糊自编码网络进行参数训练;损失函数为:
Loss=∑p(A(p)-label(p))2 (2)
其中,label(p)为点p所属的真实类别,训练网络参数使得(2)中的损失函数Loss达到极小。
而且,步骤e中,对于待检测的遥感影像,先用步骤a中方法提取影像的纹理特征,再将其输入步骤d中训练完成的模糊自编码网络中,输出得到云层的分布图。
本发明提供的技术方案的有益效果为:
(1)提出并引入了模糊自编码网络模型,可实现对影像的多层特征提取及模糊分类,更有利于遥感影像的云检测;
(2)采用隶属函数与自编码网络的结合,将原本的二值检测问题转化为更为合理的云层厚度检测问题,利用隶属函数从连续的角度同时对云层进行检测,最终得到各影像上云层的分布图(包括厚云和薄云)。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中模糊自编码网络结构示意图。
图3为实验结果示例;其中(a)为原始影像;(b)为Landsat影像自带的掩模;(c)为本发明方法的检测结果;由白色框中可以看出,有些被阴影遮住的云用Landsat自带的掩模方法没有被检测到,本发明方法能够检测出来。
具体实施方式
本发明提出的基于模糊自编码网络的遥感影像云检测方法先对影像进行纹理特征提取并将其与原影像光谱信息相结合作为像素点的特征,然后再从影像中提取各类地物的纯净像元作为训练样本对构造的模糊自编码网络进行训练。最后,对于其他给定待检测遥感影像,将其输入训练完成的模糊自编码网络中并最终得到云层分布图。其中主要包括影像纹理特征提取、纯净像元选取、模糊自编码网络构建和网络训练四个过程。
为详细说明具体实施方式,参见图1,实施例流程如下:
步骤a,影像纹理特征提取。
首先准备训练数据,实施例所采用的实验数据为Landsat卫星遥感影像。
然后对实验影像进行纹理特征提取。实施例采用效果较好且较成熟的灰度共生矩阵对影像的纹理特征进行提取,主要包括基于灰度共生矩阵的均值、同质性、角二阶矩和灰度相关。最后将提取得到纹理特征作为影像的新波段加入到原遥感影像中。
步骤b,训练样本选取。
实施例采用较为便捷的NFINDER算法对实验影像上的纯净像元进行提取,再选取与纯净像元距离最近的部分像元作为训练样本。
步骤c,模糊自编码网络构建。
实施例包含两个隐含层的自编码网络,并采用隶属函数
代替自编码网络的分类器层,对云层厚度进行检测。其中,k和a为隶属函数参数,p为网络输入,y为第二个隐含层的输出。所构建的模糊自编码网络结构如图2中所示。
步骤d,网络参数训练。
实施例中采用随机梯度下降法对网络参数进行训练。损失函数为
Loss=∑p(A(p)-label(p))2 (2)
其中,label(p)为点p所属的真实类别。训练网络参数使得(2)中的损失函数Loss达到极小。
步骤e,遥感影像云检测。
对于待检测的遥感影像,先用步骤a中方法提取影像的纹理特征,再将其输入步骤d中训练完成的模糊自编码网络中,输出得到云层厚度的分布图。当设定合适薄、厚云层阈值,厚云和薄云也同样可以被准确地进行提取。
综上所述,本发明提出的基于模糊自编码网络的遥感影像云检测方法先对影像进行纹理特征提取并将提取得到的纹理特征作为另外的波段加入原遥感影像中,然后再从实验图像中提取纯净像元作为训练样本对构造的模糊自编码网络进行训练。最后,对于其他给定待检测遥感影像,将其输入训练完成的模糊自编码网络中并最终得到云层厚度分布图。本发明的方法显著地改善了云检测结果,提高了云检测的生产者精度、用户精度及整体精度。
以下通过实验来验证本发明的有效性:
实验采用Landsat卫星影像作为待检测影像。隶属函数参数分别为k=5和a=1,即属于云的结果输出为1。
评价指标:为了方便对发明方法的检测效果进行评价,实施例在得到云层厚度分布图后又进一步设定阈值对厚云和薄云进行了区分,将云厚度达到大于0.3的认为云,检测结果的混淆矩阵如表1所示。
表1检测结果混淆矩阵
从表1可以看出,总体精度OA=0.98,Kappa系数Kappa=0.91,可见检测结果有很高的精度和很强的检验一致性。
以上内容是结合最佳实施方案对本发明所做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应能理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为本发明的保护范围。
Claims (7)
1.一种基于模糊自编码网络的遥感影像云检测方法,其特征在于:包括以下步骤:
步骤a,对影像进行纹理特征提取;
步骤b,提取影像中地物的纯净像元,并选取与纯净像元距离小于给定阈值的像素点作为训练样本;
步骤c,构建模糊自编码网络;
步骤d,利用随机梯度下降法对模糊自编码网络进行训练;
步骤e,对于待检测的遥感影像,以步骤a的方式提取纹理特征,并将其与影像光谱共同输入步骤d中训练完成的模糊自编码网络,最终输出得到影像上云层厚度的分布图。
2.根据权利要求1所述的基于模糊自编码网络的遥感影像云检测方法,其特征在于:所述步骤a中,利用灰度共生矩阵对影像的纹理特征进行提取,然后将提取得到的纹理特征与原影像的光谱相结合作为像素点的特征。
3.根据权利要求2所述的基于模糊自编码网络的遥感影像云检测方法,其特征在于:所述步骤b中,从影像中提取纯净像元作为训练样本,其中纯净像元的选取采用NFINDER算法实现。
4.根据权利要求3所述的基于模糊自编码网络的遥感影像云检测方法,其特征在于:所述步骤c中,通过构建含有多个隐含层的自编码网络来实现对影像的多层特征提取,最后将提取得到的特征输入隶属函数中对云层厚度进行检测。
5.根据权利要求4所述的基于模糊自编码网络的遥感影像云检测方法,其特征在于:所述步骤c中,构建含有两个隐含层的自编码网络,并采用隶属函数
代替自编码网络的分类器层,对云层厚度进行检测;其中,k和a为隶属函数参数,p为网络输入,y为第二个隐含层的输出。
6.根据权利要求5所述的基于模糊自编码网络的遥感影像云检测方法,其特征在于:所述步骤d中,采用随机梯度下降法对模糊自编码网络进行参数训练;损失函数为:
Loss=∑p(A(p)-label(p))2 (2)
其中,label(p)为点p所属的真实类别,训练网络参数使得(2)中的损失函数Loss达到极小。
7.根据权利要求6所述的基于模糊自编码网络的遥感影像云检测方法,其特征在于:所述步骤e中,对于待检测的遥感影像,先用步骤a中方法提取影像的纹理特征,再将其输入步骤d中训练完成的模糊自编码网络中,输出云层厚度的分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610571631.8A CN106228130B (zh) | 2016-07-19 | 2016-07-19 | 基于模糊自编码网络的遥感影像云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610571631.8A CN106228130B (zh) | 2016-07-19 | 2016-07-19 | 基于模糊自编码网络的遥感影像云检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228130A true CN106228130A (zh) | 2016-12-14 |
CN106228130B CN106228130B (zh) | 2019-09-10 |
Family
ID=57531741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610571631.8A Active CN106228130B (zh) | 2016-07-19 | 2016-07-19 | 基于模糊自编码网络的遥感影像云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228130B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052966A (zh) * | 2017-12-08 | 2018-05-18 | 重庆邮电大学 | 基于卷积神经网络的遥感图像场景自动提取和分类方法 |
CN108268826A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于模糊集合论的图像增强技术与遥感图像分类方法 |
CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
CN111291818A (zh) * | 2020-02-18 | 2020-06-16 | 浙江工业大学 | 一种面向云掩膜的非均匀类别的样本均衡化方法 |
CN111709902A (zh) * | 2020-05-21 | 2020-09-25 | 江南大学 | 基于自注意力机制的红外和可见光图像融合方法 |
CN111986193A (zh) * | 2020-08-31 | 2020-11-24 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104463207A (zh) * | 2014-12-05 | 2015-03-25 | 西安电子科技大学 | 知识自编码网络及其极化sar影像地物分类方法 |
CN105243154A (zh) * | 2015-10-27 | 2016-01-13 | 武汉大学 | 基于显著点特征和稀疏自编码的遥感图像检索方法及系统 |
CN105550712A (zh) * | 2015-12-23 | 2016-05-04 | 西安电子科技大学 | 基于优化卷积自动编码网络的极光图像分类方法 |
CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
CN105654117A (zh) * | 2015-12-25 | 2016-06-08 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
-
2016
- 2016-07-19 CN CN201610571631.8A patent/CN106228130B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104463207A (zh) * | 2014-12-05 | 2015-03-25 | 西安电子科技大学 | 知识自编码网络及其极化sar影像地物分类方法 |
CN105243154A (zh) * | 2015-10-27 | 2016-01-13 | 武汉大学 | 基于显著点特征和稀疏自编码的遥感图像检索方法及系统 |
CN105550712A (zh) * | 2015-12-23 | 2016-05-04 | 西安电子科技大学 | 基于优化卷积自动编码网络的极光图像分类方法 |
CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
CN105654117A (zh) * | 2015-12-25 | 2016-06-08 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
Non-Patent Citations (1)
Title |
---|
程家聪: "面向对象的高分辨率遥感信息提取技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268826A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于模糊集合论的图像增强技术与遥感图像分类方法 |
CN108052966A (zh) * | 2017-12-08 | 2018-05-18 | 重庆邮电大学 | 基于卷积神经网络的遥感图像场景自动提取和分类方法 |
CN108052966B (zh) * | 2017-12-08 | 2021-02-09 | 重庆邮电大学 | 基于卷积神经网络的遥感图像场景自动提取和分类方法 |
CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
CN111291818A (zh) * | 2020-02-18 | 2020-06-16 | 浙江工业大学 | 一种面向云掩膜的非均匀类别的样本均衡化方法 |
CN111709902A (zh) * | 2020-05-21 | 2020-09-25 | 江南大学 | 基于自注意力机制的红外和可见光图像融合方法 |
CN111986193A (zh) * | 2020-08-31 | 2020-11-24 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
CN111986193B (zh) * | 2020-08-31 | 2024-03-19 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106228130B (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
Wei et al. | Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches | |
CN105260729B (zh) | 一种基于随机森林的卫星遥感影像云量计算方法 | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN108051371B (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN103473557A (zh) | 一种空谱一体化的高光谱遥感图像分类方法 | |
CN102930275B (zh) | 基于Cramer’s V指数的遥感影像特征选择方法 | |
CN109376750A (zh) | 一种融合中波红外与可见光的遥感影像分类方法 | |
CN109614942A (zh) | 一种基于云计算平台的森林扰动长时间序列监测方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
Guan et al. | Random forests-based feature selection for land-use classification using lidar data and orthoimagery | |
CN111783555A (zh) | 一种使用统一样本的深度学习卫星数据云检测算法 | |
Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
CN111460943A (zh) | 一种遥感影像地物分类方法及系统 | |
CN116543300A (zh) | 一种基于语义分割的云-气溶胶层次分类方法 | |
Nanare et al. | Remote sensing satellite image analysis for deforestation in yavatmal district, maharashtra, india | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |