CN108805861A - 一种基于深度学习的遥感图像云检测方法 - Google Patents
一种基于深度学习的遥感图像云检测方法 Download PDFInfo
- Publication number
- CN108805861A CN108805861A CN201810396541.9A CN201810396541A CN108805861A CN 108805861 A CN108805861 A CN 108805861A CN 201810396541 A CN201810396541 A CN 201810396541A CN 108805861 A CN108805861 A CN 108805861A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- deep learning
- network model
- neural 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的遥感图像云检测方法,其包括以下步骤:对获得的遥感图像数据集进行图像预处理,并将预处理后的图像分为训练集和测试集;将训练集中的图像作为神经网络模型的输入,不断更新网络模型参数优化神经网络模型;将测试集图像输入到训练好的神经网络模型中进行验证,将遥感图像中有云的部分检测出来。本发明在结合使用深度学习卷积神经网络的基础上,解决了由于云特征提取不够充分而导致检测结果不够理想的问题,提高了检测精度,加强了算法的普适性。
Description
技术领域
本发明涉及图像处理、深度学习、目标检测领域,特别是一种基于深度学习的遥感图像云检测方法。
背景技术
近几年来,随着遥感图像获取技术的发展,遥感图像被广泛应用到各个领域,为更好解读图像信息,由于天气因素出现在地面目标上方的云成为了研究的热点。遥感图像的云检测问题可以看做是图像分析的二值分割问题。卫星云图千变万化,云的高度、厚度、种类以及太阳高度角等因素均会对云产生极大的影响。就目前来看,可以将其检测方法分为以下几类。
物理检测的方法是使用多光谱物理特性应用到单个像素上进行检测,通过综合考虑集中光谱谱段进行阈值检测,其关键及时在于物理阈值的选取。基于遥感图像中云的纹理和空间特性来进行检测也是一个有效的途径,图像中云的存在明显增加了辐射度的空间变化性,也对图像的纹理产生了很大影响,目前已经得到实际应用。但当云层的厚度较薄或者背景较复杂的时候,上述方法难以取得较好的检测结果。
随着科技的迅速发展以及大数据时代的到来,一些传统的图像识别算法已经很难适应新形势下的图像检测与识别需求,基于深度学习的人工神经网络技术的出现很好的解决了上述问题,特有的非线性映射、自学习、自组织的信息处理能力,可以深度挖掘图像的特征信心,使得在遥感图像的很多领域大放异彩,具有广阔的应用前景,已经成为一大研究热点。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于深度学习的遥感图像云检测方法,采用深度学习的方法来深度挖掘遥感图像中云的特征信息,克服原有检测技术在特征提取上不够深入的缺点,提高检测精度和算法的普适性。
为解决上述技术问题,本发明所采用的技术方案是:一种基于深度学习的遥感图像云检测方法,其特征在于,包括以下步骤:
1)对获得的遥感图像数据集进行图像预处理,并将预处理后的图像分为训练集和测试集;
2)将训练集中的图像作为神经网络模型的输入,不断更新网络模型参数优化神经网络模型;
3)将测试集图像输入到训练好的神经网络模型中进行验证,将遥感图像中有云的部分检测出来。
步骤1)的具体实现过程包括:从Landsat-8卫星图像中下载9个数据集作为实验数据,将所述实验数据中的近红外、短波红外和热红外三个波段的图像进行图像融合,将融合后的图像裁剪为256*256大小的子图,然后进一步降采样到64*64大小,再讲降采样后的图像分为训练集和测试集。
步骤2)中卷积神经网络的训练算法和传统的反向传播算法差不多,主要分为4步来更新参数和优化模型,这4步可以分为2个阶段。
第一阶段:前向传播阶段。
A)从测试样本集中取一个样本(X,Y),将X输入网络;X是指样本本身信息,Y为样本所对应的标签值;
B)计算相应的实际输出
在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘,得到最后的输出结果):
其中,Fn表示第n层卷积操作,Wn表示第n层网络的权值矩阵;
第二阶段:后向传播阶段。
A)计算实际输出和相应的理想输出Y的差值;
B)按照极小化误差的方法反向传播调整权值矩阵。
所述神经网络模型包括6层,前三层为卷积层,后三层为全连接层。
与现有技术相比,本发明所具有的有益效果为:本发明在结合使用深度学习卷积神经网络的基础上,解决了由于云特征提取不够充分而导致检测结果不够理想的问题,提高了检测精度,加强了算法的普适性。随着深度学习的不断推广与普及和遥感图像的进一步发展,本发明方法有着较大的意义与实用价值。
附图说明
图1为本发明算法的流程结构图;
图2为本发明算法的卷积神经网络模型图;Conv表示卷积层,FC表示全连接层;
图3为两张测试图片;其中,(a)为有云的测试图片;(b)为无云的测试图片。
具体实施方式
本发明的方法首先对获得的遥感图像数据集进行图像预处理,划分为训练集和测试集,在用训练集对卷积神经网络进行训练的过程中,不断优化网络模型,最后用测试集图像进行验证,实现对遥感图像的高精度云检测。本发明的方法结构图如图1所示,具体方法可以分为以下步骤:
1.从Landsat-8卫星图像中下载了9个数据集作为实验数据。借助ENVI软件平台将数据集中的近红外、短波红外和热红外三个波段的图像进行图像融合,将融合后的图像裁剪为256*256大小的子图,然后进一步降采样到64*64大小。从处理后的图像数据集中随机选取70%的图像作为训练集,剩余的30%作为测试集。训练集用于训练神经网络模型,测试集用于进行验证。
2.将训练集数据作为神经网络的输入进行模型训练,卷积神经网络的框架结构图如图2所示,一共包含6层,前三层为卷积层,后三层为全连接层。对卷积层来说,特征图的大小定义为宽度、高度和深度的乘积,前两个维度描述空间大小,深度定义通道数量。将遥感图像的云检测问题看做是一个二分类问题,因此最后输出层的数量是2。用 Conv表示卷积层,Maxp表示池化层,FC表示全连接层,RELU作为激活函数,则整个网络架构可以描述如下:
Conv1(64*64*32)→RELU1→Maxp1→
Conv 2(32*32*48)→RELU2→Maxp 2→
Conv 3(16*16*64)→RELU3→Maxp 3→
FC1(128)→RELU4→FC2(64)→RELU5→FC3(2).
在每个分支中,卷积层的滤波器大小是3*3,池化操作是在卷积层输出的基础上,在3*3 的邻域像素空间选择最大值进行,步长为2。
3.保存训练好的模型参数,将测试集数据输入到该网络中,输出为预测结果:有云或无云。将预测结果和图像真实信息进行对比,验证模型的检测效果。图3是两张测试图片,分别是有云和无云。结果表明该方法具有较高的准确度。
Claims (5)
1.一种基于深度学习的遥感图像云检测方法,其特征在于,包括以下步骤:
1)对获得的遥感图像数据集进行图像预处理,并将预处理后的图像分为训练集和测试集;
2)将训练集中的图像作为神经网络模型的输入,不断更新网络模型参数优化神经网络模型;
3)将测试集图像输入到训练好的神经网络模型中进行验证,将遥感图像中有云的部分检测出来。
2.根据权利要求1所述的基于深度学习的遥感图像云检测方法,其特征在于,步骤1)的具体实现过程包括:从Landsat-8卫星图像中下载9个数据集作为实验数据,将所述实验数据中的近红外、短波红外和热红外三个波段的图像进行图像融合,将融合后的图像裁剪为256*256大小的子图,然后进一步降采样到64*64大小,再将降采样后的图像分为训练集和测试集。
3.根据权利要求2所述的基于深度学习的遥感图像云检测方法,其特征在于,从将降采样后的图像中随机选取70%的图像作为训练集,剩余的30%作为测试集。
4.根据权利要求1所述的基于深度学习的遥感图像云检测方法,其特征在于,所述神经网络模型包括6层,前三层为卷积层,后三层为全连接层。
5.根据权利要求1所述的基于深度学习的遥感图像云检测方法,其特征在于,步骤2)的具体实现过程包括:
1)从训练集中取一个样本(X,Y),将X输入神经网络模型;X是指样本本身信息,Y为样本所对应的标签值;
2)计算相应的实际输出 其中,Fn表示第n层卷积操作,Wn表示第n层网络的权值矩阵;
3)计算实际输出和相应的理想输出Y的差值;
4)按照极小化误差的方法反向传播调整权值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810396541.9A CN108805861A (zh) | 2018-04-28 | 2018-04-28 | 一种基于深度学习的遥感图像云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810396541.9A CN108805861A (zh) | 2018-04-28 | 2018-04-28 | 一种基于深度学习的遥感图像云检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805861A true CN108805861A (zh) | 2018-11-13 |
Family
ID=64094015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810396541.9A Pending CN108805861A (zh) | 2018-04-28 | 2018-04-28 | 一种基于深度学习的遥感图像云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805861A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN110186375A (zh) * | 2019-06-06 | 2019-08-30 | 西南交通大学 | 智能化高铁白车身焊接装配特征检测装置及检测方法 |
CN110751727A (zh) * | 2019-10-30 | 2020-02-04 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
CN110969609A (zh) * | 2019-11-29 | 2020-04-07 | 华中科技大学 | 一种微波遥感亮温图像云检测方法 |
CN111062917A (zh) * | 2019-12-10 | 2020-04-24 | 西安中科星图空间数据技术有限公司 | 一种基于深度神经网络的三线阵影像云检测方法及装置 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111798461A (zh) * | 2020-06-19 | 2020-10-20 | 武汉大学 | 粗粒度标签引导深度学习的像素级遥感影像云区检测方法 |
CN112749621A (zh) * | 2020-11-25 | 2021-05-04 | 厦门理工学院 | 一种基于深度卷积神经网络的遥感图像云层检测方法 |
CN113343942A (zh) * | 2021-07-21 | 2021-09-03 | 西安电子科技大学 | 一种遥感图像缺陷检测方法 |
CN115797788A (zh) * | 2023-02-17 | 2023-03-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN116109944A (zh) * | 2023-04-12 | 2023-05-12 | 南京信息工程大学 | 一种基于深度学习网络架构的卫星图像云目标提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844228A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
CN106228130A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 基于模糊自编码网络的遥感影像云检测方法 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
CN107944357A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
-
2018
- 2018-04-28 CN CN201810396541.9A patent/CN108805861A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN105844228A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
CN106228130A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 基于模糊自编码网络的遥感影像云检测方法 |
CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
CN107944357A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583344B (zh) * | 2018-11-21 | 2019-11-19 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN110186375A (zh) * | 2019-06-06 | 2019-08-30 | 西南交通大学 | 智能化高铁白车身焊接装配特征检测装置及检测方法 |
CN110751727B (zh) * | 2019-10-30 | 2020-12-18 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
CN110751727A (zh) * | 2019-10-30 | 2020-02-04 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
CN110969609B (zh) * | 2019-11-29 | 2022-04-29 | 华中科技大学 | 一种微波遥感亮温图像云检测方法 |
CN110969609A (zh) * | 2019-11-29 | 2020-04-07 | 华中科技大学 | 一种微波遥感亮温图像云检测方法 |
CN111062917A (zh) * | 2019-12-10 | 2020-04-24 | 西安中科星图空间数据技术有限公司 | 一种基于深度神经网络的三线阵影像云检测方法及装置 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111274865B (zh) * | 2019-12-14 | 2023-09-19 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111798461A (zh) * | 2020-06-19 | 2020-10-20 | 武汉大学 | 粗粒度标签引导深度学习的像素级遥感影像云区检测方法 |
CN112749621A (zh) * | 2020-11-25 | 2021-05-04 | 厦门理工学院 | 一种基于深度卷积神经网络的遥感图像云层检测方法 |
CN112749621B (zh) * | 2020-11-25 | 2023-06-13 | 厦门理工学院 | 一种基于深度卷积神经网络的遥感图像云层检测方法 |
CN113343942A (zh) * | 2021-07-21 | 2021-09-03 | 西安电子科技大学 | 一种遥感图像缺陷检测方法 |
CN115797788A (zh) * | 2023-02-17 | 2023-03-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN115797788B (zh) * | 2023-02-17 | 2023-04-14 | 武汉大学 | 基于深度学习的多模态铁路设计要素遥感特征提取方法 |
CN116109944A (zh) * | 2023-04-12 | 2023-05-12 | 南京信息工程大学 | 一种基于深度学习网络架构的卫星图像云目标提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805861A (zh) | 一种基于深度学习的遥感图像云检测方法 | |
US11783569B2 (en) | Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
Wang et al. | LDS-YOLO: A lightweight small object detection method for dead trees from shelter forest | |
Combinido et al. | A convolutional neural network approach for estimating tropical cyclone intensity using satellite-based infrared images | |
CN111080629A (zh) | 一种图像拼接篡改的检测方法 | |
CN112446388A (zh) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统 | |
CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
CN109146831A (zh) | 基于双支深度学习网络的遥感图像融合方法及系统 | |
CN111814661A (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
Pan et al. | A generic FCN-based approach for the road-network extraction from VHR remote sensing images–using openstreetmap as benchmarks | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
Xu et al. | Robust self-ensembling network for hyperspectral image classification | |
CN112529005B (zh) | 基于语义特征一致性监督金字塔网络的目标检测方法 | |
Wang et al. | Joint correlation alignment-based graph neural network for domain adaptation of multitemporal hyperspectral remote sensing images | |
CN113158943A (zh) | 一种跨域红外目标检测方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN107766810B (zh) | 一种云、影检测方法 | |
CN107704840A (zh) | 一种基于深度学习的遥感图像道路检测方法 | |
Hussain et al. | A simple and efficient deep learning-based framework for automatic fruit recognition | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN113159189A (zh) | 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |