CN113096129A - 高光谱卫星影像中的云量检测方法和装置 - Google Patents
高光谱卫星影像中的云量检测方法和装置 Download PDFInfo
- Publication number
- CN113096129A CN113096129A CN202110638289.XA CN202110638289A CN113096129A CN 113096129 A CN113096129 A CN 113096129A CN 202110638289 A CN202110638289 A CN 202110638289A CN 113096129 A CN113096129 A CN 113096129A
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- hyperspectral satellite
- satellite image
- 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.)
- Granted
Links
Images
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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供了高光谱卫星影像的云量检测方法和装置。所述方法包括:获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型;根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像;根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。以此方式,能够降低人工质检的工作量和质检效率,提高高光谱卫星影像数据信息的有效性和数据性,同时提高高光谱卫星影像中的云量检测的准确度。
Description
技术领域
本公开的实施例一般涉及卫星图像处理技术领域,并且更具体地,涉及高光谱卫星影像中的云量检测方法和装置。
背景技术
高光谱卫星影像是用很窄而连续的光谱通道对地物持续遥感成像得到的卫星影像。在可见光到短波红外谱段其光谱分辨率高达纳米(nm)数量级,通常具有谱段多的特点,光谱通道数多达数十甚至数百个以上,而且各光谱通道间往往是连续的,因此高光谱遥感又通常被称为成像光谱遥感。
高光谱分辨率遥感在电磁波谱的可见光、近红外、中红外和热红外谱段范围内,获取许多非常窄的光谱连续的影像数据的技术。其成像光谱仪可以收集到上百个非常窄的光谱谱段信息。
相对于传统的低光谱分辨率的遥感技术相比,高光谱遥感在对地观测和环境调查中提供了更为广泛的应用,主要有以下优点:地物的分辨识别能力大大提高和成像通道大大增加。
由于高光谱卫星影像中存在大量的云,高光谱卫星影像中的云起着不同的作用,因此在进行分析应用前,对高光谱卫星影像进行含云量检测十分必要。
含云量检测现实应用意义很大,不仅可在气象领域中为天气预报和气候监测提供强有力的数据支持,并且可应用在气象灾害的预警预报中,减少人民群众的生命财产损失。通过含云量检测对遥感数字影像进行压缩,还可以使遥感数字影像的星地传输效率大幅提高。
由于高光谱卫星影像包括多个波段,因此,现有技术中,针对高光谱卫星影像中的云量检测,极大的提高了人工质检的工作量,降低了质检效率,影响了高光谱卫星影像数据信息的有效性和数据性。
发明内容
根据本公开的实施例,提供了一种能够降低人工质检的工作量和质检效率,提高高光谱卫星影像数据信息的有效性和数据性的高光谱卫星影像中的云量检测方案。
在本公开的第一方面,提供了一种高光谱卫星影像中的云量检测方法,包括:
获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型;
根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像;
根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
在一些实施例中,所述将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像,包括:
将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中,生成每个波段对应的云概率图像,所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。
在一些实施例中,所述根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,包括:
将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点,生成每个波段对应的第一云覆盖区域,其中,不同波段对应的云概率图像设置有不同的预设阈值。
在一些实施例中,所述将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像,包括:
云识别神经网络模型将每个波段对应的云概率图像输入到预先训练的云概率神经网络模型,输出所述高光谱卫星影像的云概率图像。
在一些实施例中,所述云识别神经网络模型通过以下方式训练得到:
以标注云覆盖区域的高光谱卫星影像作为训练样本,根据训练样本中的云覆盖区域对应的下垫面类型将训练样本划分为多个类,将每一类的训练样本作为一个卷积神经网络模型的输入,其中,所述云覆盖区域包括厚云覆盖区域和薄云覆盖区域;
分别对所述的每一类训练样本进行学习,输出云概率图像,确定云覆盖区域;
将所述云覆盖区域与训练样本中标注的云覆盖区域进行对比,判断损失函数是否大于预设阈值;
响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对应多个下垫面类型的云识别神经网络模型的训练。
在一些实施例中,所述方法还包括:以标注好的云覆盖区域的不同波段的高光谱卫星影像作为训练样本,分别对对应不同波段的云识别神经网络模型进行训练。
在一些实施例中,所述云识别神经网络模型通过以下方式训练得到:
以标注云覆盖区域的高光谱卫星影像的每个波段的云概率图像作为训练样本,输入到卷积神经网络模型,输出所述高光谱卫星影像的云概率图像;
将所述输出的高光谱卫星影像的云概率图像与标注云覆盖区域的高光谱卫星影像进行对比,判断损失函数是否大于预设阈值;
响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对所述云识别神经网络模型的训练。
在本公开的第二方面,提供了一种高光谱卫星影像的云量检测装置,包括:
高光谱卫星影像获取模块,用于获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型;
云概率图像输出模块,用于根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像;
云掩膜数据生成模块,用于根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
在本公开的第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
通过本公开的高光谱卫星影像中的云量检测方法,能够降低人工质检的工作量和质检效率,提高了高光谱卫星影像数据信息的有效性和数据性,同时提高了高光谱卫星影像中的云量检测的准确度。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了本公开实施例一的高光谱卫星影像中的云量检测方法的流程图;
图2示出了本公开实施例二的高光谱卫星影像中的云量检测方法的流程图;
图3示出了本公开实施例三的高光谱卫星影像中的云量检测装置的功能结构示意图;
图4示出了本公开实施例四的高光谱卫星影像中的云量检测设备的结构示意图;
图5示出了本公开实施例一中的云识别神经网络模型的训练流程示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本公开实施例的高光谱卫星影像中的云量检测方法,可以对高光谱卫星影像中的云量进行检测。具体地,作为本公开的一个实施例,如图1所示,为本公开实施例一的高光谱卫星影像中的云量检测方法的流程图。本实施例的高光谱卫星影像中的云量检测方法,可以包括以下步骤:
S101:获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型。
在本实施例中,当对高光谱卫星影像中的云量进行检测时,首先需要获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型。由于下垫面的地物特征随时间发生变化会造成时相误差,同时,下垫面的类型也会影响云层的反射率,进而影响接收云层反射的卫星探元采集到的数值。因此,需要确定高光谱卫星影像的下垫面类型,进而根据不同的下垫面类型对高光谱卫星影像中的云量进行检测。在确定高光谱卫星影像的下垫面类型时,可以跟根据高光谱卫星影像的参数确定对应的地面区域的坐标,进而确定高光谱卫星影像的下垫面类型,例如,根据高光谱卫星影像可以确定对应的地面区域的坐标的经纬度,进而通过经纬确定高光谱卫星影像的下垫面类型。或者,对于云层非全覆盖的高光谱卫星影像,根据云层未覆盖区域的影像确定高光谱卫星影像的下垫面类型。
S102:根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像。
为避免下垫面的地物特征随时间发生变化造成的时相误差,在训练云识别神经网络模型时,选择包括水体(海洋、河流、湖泊)、植被(农田、草地、森林)、人工地表(工业用地、道路、城镇)、其他(裸地、雪和海岸线)四类下垫面类型的高光谱卫星影像作为训练样本,分别训练对应每类下垫面的云识别神经网络模型。
由于云层的高度、厚度以及传感器的观测角度、下垫面的类型等都会影响云像元的反射率,在选取训练样本时,可以不仅包括薄云、厚云、碎云、云边缘多种云类型,还应包括浓密植被覆盖区上空的云、城镇地表上空的云、水体上空的云、山地上空的云等不同地表类型上空的云。
在本实施例中,当获取到待检测的高光谱卫星影像后,可以先识别高光谱卫星影像中的下垫面类型,然后根据下垫面的类型选取对应的云识别神经网络模型,将高光谱卫星影像输入到该云识别神经网络模型中,所述云识别神经网络模型为Deeplabv2网络结构的卷积神经网络模型,用于对高光谱卫星影像中的云覆盖区域进行识别。例如,待检测的高光谱卫星影像的下垫面的类型为水体,则选择利用下垫面的类型为水体的高光谱卫星影像训练的云识别神经网络模型,同理,对于下垫面的类型为其他类型的高光谱卫星影像,则根据对应的类型选择云识别神经网络模型。
本实施例中的云覆盖区域是指高光谱卫星影像中存在云图像的区域。Deeplabv2网络结构采用一系列卷积、池化、激活操作后,在后续步骤中移除池化操作,输出特征图像,然后对输出的特征图像进行特征融合,输出识别结果。从而提高识别速度,提高识别准确率,避免因连续卷积、池化、激活操作导致的特征图分辨率低。
所述云识别神经网络模型通过以下方式训练得到:
以标注好的云覆盖区域图像和高亮地表图像作为训练样本,根据训练样本中的云覆盖区域图像和高亮地表图像对应的下垫面类型将训练样本划分为多个类,将每一类的训练样本作为一个卷积神经网络模型的输入,其中,云覆盖区域图像的标注为云覆盖区域,高亮地表图像的标注为非云覆盖区域,其中,所述云覆盖区域图像包括厚云覆盖区域图像和薄云覆盖区域图像;
分别对所述的每一类训练样本进行学习,输出云概率图像,确定云覆盖区域;
将所述云覆盖区域与训练样本中标注的云覆盖区域进行对比,判断第一损失函数是否大于预设阈值;将所述云覆盖区域与训练样本中标注的高亮地表图像中的非云覆盖区域进行对比,判断第二损失函数是否大于预设阈值;
响应于第一损失函数和第二损失函数都大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到第一损失函数和第二损失函数小于预设阈值,完成对应多个下垫面类型的云识别神经网络模型的训练。
由于自然界中一些高亮地物与云的反射率在某些波段都具有较高值,再者一些地表的纹理与云的纹理也存在相似之处,在进行云提取的过程中经常会出现一些高亮地表被判读为了云,为了防止高亮地表的误判,在样本数据中加入了典型的高亮地表的样本数据作为训练数据。
当然,在本实施例中,也可以仅以标注好的云覆盖区域图像作为训练样本对对应多个下垫面类型的云识别神经网络模型进行训练。
如图5所示,为本公开实施例一中的云识别神经网络模型的训练流程示意图。在对所述云识别神经网络模型进行训练的过程中,将输入的样本图像(作为训练数据的高光谱卫星影像)处理为统一的尺寸为512×512,将统一尺寸后的图像输入到网络结构中,图像经过一系列卷积、池化、ReLU操作后,输出特征的分辨率为:128x128的特征图。
将输出特征分辨率为128x128的输出特征依次经过2个3×3的扩张卷积,此卷积的卷积步长为1,扩张率为2,得到128x128的特征图,再经过池化后得到特征图0。
将特征分辨率为128x128的特征图0经过3×3的扩张卷积,此卷积的卷积步长为1、扩张率为6,得到128x128的特征图,记为特征图1;将特征分辨率为128x128的特征图0经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为12,得到128x128的特征图,记为特征图2;将特征分辨率为128x128的特征图0经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为18,得到128x128的特征图,记为特征图3;将特征分辨率为128x128的特征图0经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为24,得到128x128的特征图,记为特征图4;将特征图1、特征图2、特征图3、特征图4分别经过1x1的卷积层,并将输出特征图进行特征融合操作,得到特征图5。
将特征图5经过1x1卷积后,进行4倍上采样操作,恢复到原始大小。输出分辨率为512x512x1的检测图像(即云覆盖区域)。
本实施例中的云概率图像的每个像素点的像素值为该像素点为云点的概率值。
S103:根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
在本实施例中,可以将云概率图像中概率值大于预设阈值的像素点确定为云点,根据确定的云点确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
通过本公开的高光谱卫星影像中的云量检测方法,能够降低人工质检的工作量和质检效率,提高了高光谱卫星影像数据信息的有效性和数据性,同时提高了高光谱卫星影像中的云量检测的准确度。
此外,作为本公开的一个可选实施例,在上述实施例中,针对高光谱卫星影像的每个波段,按照上述的云识别神经网络模型的训练过程分别预先训练对应的云识别神经网络模型。在获取到待检测的高光谱卫星影像,针对每个波段没分别确定下垫面类型,然后将每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中,生成每个波段对应的云概率图像。
将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点,生成每个波段对应的第一云覆盖区域,其中,不同波段对应的云概率图像设置有不同的预设阈值。
由于云识别神经网络模型输出的是每个波段对应的云概率图像,而并非传统的二值化后的像元值,使得云识别神经网络模型输出的每个波段对应的云概率图像能够对应该波段云层的反射率对卫星探元阵列接收到的光照值的影响,使得云量检测的结果更加准确。
作为本公开的另一个可选实施例,在上述实施例中,针对高光谱卫星影像的每个波段,按照上述的云识别神经网络模型的训练过程分别预先训练对应的云识别神经网络模型。在获取到待检测的高光谱卫星影像,针对每个波段没分别确定下垫面类型。然后将每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中,生成每个波段对应的云概率图像。
将每个波段对应的云概率图像输入到预先训练的云概率神经网络模型,输出所述高光谱卫星影像的云概率图像,根据所述云概率图像生成第一云覆盖区域。所述云概率神经网络模型通过以下方式训练得到:以标注云覆盖区域的高光谱卫星影像的每个波段的云概率图像作为训练样本,输入到卷积神经网络模型,输出所述高光谱卫星影像的云概率图像;将所述输出的高光谱卫星影像的云概率图像与标注云覆盖区域的高光谱卫星影像进行对比,判断损失函数是否大于预设阈值;响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对所述云概率图像模型的训练。
由于云识别神经网络模型输出的是每个波段对应的云概率图像,而并非传统的二值化后的像元值,使得云识别神经网络模型输出的每个波段对应的云概率图像能够对应该波段云层的反射率对卫星探元阵列接收到的光照值的影响,使得云量检测的结果更加准确。同时,根据每个波段对应的云概率图像利用云概率神经网络模型进一步确定所述高光谱卫星影像的云概率图像,根据所述云概率图像生成第一云覆盖区域。相对于根据各波段的阈值来确定对应各波段的云概率图像,本实施例的方法确定的高光谱卫星影像的云概率图像考虑到了各波段的云概率图像的非线性关系,即不是单纯叠加各波段的云概率图像,使得云量检测的结果更加准确。
在一些实施例中,由于本实施例的方法是直接从未经过校正的高光谱卫星影像中检测出云覆盖区域的(第一云覆盖区域),而未经过校正的高光谱卫星影像本身会存在一些定位精度的误差,因此,需要对所述第一云覆盖区域进行修正。具体地,可以采用经过定位精度校正的与所述高光谱卫星影像对应的参考底图对所述第一云覆盖区域进行修正,生成第二云覆盖区域。具体地,可以将所述第二云覆盖区域中像素的数量与所述高光谱卫星影像中像素的数量的比值作为所述高光谱卫星影像中的云量值,根据所述云量值和所述第二云覆盖区域生成云掩膜数据。
关于对所述第一云覆盖区域进行修正的具体实现过程参见实施例二,本实施例不进行具体说明。
如图2所示,为本公开实施例二的高光谱卫星影中的云量检测方法的流程图。本实施例的方法,可以包括以下步骤:
S201:获取待检测的高光谱卫星影像。
S202:将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到预先训练的云识别神经网络模型中,生成每个波段对应的云概率图像,所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。
由于高光谱卫星影像包括多个波段,因此,在对高光谱卫星影像中的云量进行检测时,可以逐波段进行云量检测。因此,可以将每个波段的卫星影像输入到预先训练的云识别神经网络模型中,输出每个波段对应的卫星影像的第一云覆盖区域。
其中,所述云识别神经网络模型通过以下方式训练得到:
以标注好的云覆盖区域图像和高亮地表图像作为训练样本,根据训练样本中的云覆盖区域图像和高亮地表图像对应的下垫面类型将训练样本划分为多个类,将每一类的训练样本作为一个卷积神经网络模型的输入,其中,云覆盖区域图像的标注为云覆盖区域,高亮地表图像的标注为非云覆盖区域,其中,所述云覆盖区域图像包括厚云覆盖区域图像和薄云覆盖区域图像;分别对所述的每一类训练样本进行学习,输出云概率图像,确定云覆盖区域;将所述云覆盖区域与训练样本中标注的云覆盖区域进行对比,判断损失函数是否大于预设阈值;响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对应多个下垫面类型的云识别神经网络模型的训练。
S203:将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点,生成每个波段对应的第一云覆盖区域,其中,不同波段对应的云概率图像中的像素点的概率值设置有不同的预设阈值。
在一些实施例中,云识别神经网络模型输出的是各波段中各像元属于云的概率;云检测的结果是生成云概率图而不是二值影像,像元的值表示的是其为云点的可能性;而且是分不同波段图像分别输出。
不同的波段具有不同的权重和阈值,例如,某波段中,大于预定阈值才确定是云,小于阈值则确定为非云区域。 并且,有些波段的检测结果的置信度较高,因此,可以为该波段的检测结果分配较大的权重,有些波段的检测结果的置信度较低,因此,可以为该波段的检测结果分配较小的权重,然后对各波段的检测结果根据权重进行加权,确定整个高光谱卫星影像的第一云覆盖区域。
在一些实施例中,当确定各波段的对应的卫星影像的第一云覆盖区域后,可以对各波段的对应的卫星影像的第一云覆盖区域的重合度进行判断,当重合度高于预设比例时,则将各波段对应的卫星影像的第一云覆盖区域进行叠加,作为整个高光谱卫星影像的第一云覆盖区域。
在一些实施例中,当将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到预先训练的云识别神经网络模型中,生成每个波段对应的云概率图像后,还可以进一步将每个波段对应的云概率图像输入到预先训练的云概率图像模型,输出所述高光谱卫星影像的云概率图像,根据所述云概率图像生成第一云覆盖区域,其中,所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。
所述云概率图像模型预先通过以下方式训练得到:以标注好的云概率图像的高光谱卫星影像的每个波段的云概率图像作为训练样本,输入到卷积神经网络模型,输出所述高光谱卫星影像的云概率图像;将所述输出的高光谱卫星影像的云概率图像与标注好云概率图像的高光谱卫星影像进行对比,判断损失函数是否大于预设阈值;响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对所述云概率图像模型的训练。
S204:确定所述高光谱卫星影像和所述参考底图中对应的特征点,根据对应特征点的定位精度误差对所述第一云覆盖区域进行修正。
S205:对所述高光谱卫星影像和所述参考底图进行差分计算,确定差分图像区域,根据差分图像区域对所述第一云覆盖区域进行修正,生成第二云覆盖区域。
在生成整个高光谱卫星影像的第一云覆盖区域后,可以采用经过定位精度校正的对所述高光谱卫星影像对应的参考底图对所述第一云覆盖区域进行修正,生成第二云覆盖区域。具体地,可以先确定所述高光谱卫星影像和所述参考底图中对应的特征点,然后将对应特征点的定位精度误差作为第一云覆盖区域的误差,进而根据该误差对所述第一云覆盖区域进行修正。
在经过特征点的定位精度误差对第一云覆盖区域进行修正后,还可以将经过定位精度校正的对所述高光谱卫星影像对应的参考底图与高光谱卫星影像进行差分计算,确定差分图像区域,根据差分图像区域对所述第一云覆盖区域进行修正,生成第二云覆盖区域。本实施例中的参考底图为无云底图或带有少量云的底图,并且,参考底图的分辨率与高光谱卫星影像的分辨率相差三倍以内。在进行特征点的定位精度误差修正或者差分计算时,可以先将参考底图和高光谱卫星影像的分辨率调为相同。
S206:根据所述第二云覆盖区域确定所述高光谱卫星影像中的云量,生成云掩膜数据。
通过本公开的高光谱卫星影像中的云量检测方法,能够降低人工质检的工作量和质检效率,提高了高光谱卫星影像数据信息的有效性和数据性,同时提高了高光谱卫星影像中的云量检测的准确度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
如图3所示,为本公开实施例三的高光谱卫星影中的云量检测装置的功能结构示意图。本实施例的高光谱卫星影中的云量检测装置,包括:
高光谱卫星影像获取模块301,用于获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型。
云概率图像输出模块302,用于根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像,其中,所述云识别神经网络模型为Deeplabv2网络结构的卷积神经网络模型。
云掩膜数据生成模块303,用于根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图4示出了本公开实施例四的高光谱卫星影中的云量检测设备的结构示意图。图4示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统包括中央处理单元(CPU)401,其可以基于存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也基于需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,基于需要安装在驱动器410上,以便于从其上读出的计算机程序基于需要被安装入存储部分408。
特别地,基于本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种高光谱卫星影像中的云量检测方法,其特征在于,包括:
获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型;
根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像;
根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
2.根据权利要求1所述的高光谱卫星影像中的云量检测方法,其特征在于,所述将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像,包括:
将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中,生成每个波段对应的云概率图像,所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。
3.根据权利要求2所述的高光谱卫星影像中的云量检测方法,其特征在于,所述根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,包括:
将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点,生成每个波段对应的第一云覆盖区域,其中,不同波段对应的云概率图像设置有不同的预设阈值。
4.根据权利要求2所述的高光谱卫星影像中的云量检测方法,其特征在于,所述将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像,包括:
云识别神经网络模型将每个波段对应的云概率图像输入到预先训练的云概率神经网络模型,输出所述高光谱卫星影像的云概率图像。
5.根据权利要求1所述的高光谱卫星影像中的云量检测方法,其特征在于,所述云识别神经网络模型通过以下方式训练得到:
以标注云覆盖区域的高光谱卫星影像作为训练样本,根据训练样本中的云覆盖区域对应的下垫面类型将训练样本划分为多个类,将每一类的训练样本作为一个卷积神经网络模型的输入,其中,所述云覆盖区域包括厚云覆盖区域和薄云覆盖区域;
分别对所述的每一类训练样本进行学习,输出云概率图像,确定云覆盖区域;
将所述云覆盖区域与训练样本中标注的云覆盖区域进行对比,判断损失函数是否大于预设阈值;
响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对应多个下垫面类型的云识别神经网络模型的训练。
6.根据权利要求4所述的高光谱卫星影像中的云量检测方法,其特征在于,所述方法还包括:以标注好的云覆盖区域的不同波段的高光谱卫星影像作为训练样本,分别对对应不同波段的云识别神经网络模型进行训练。
7.根据权利要求3所述的高光谱卫星影像中的云量检测方法,其特征在于,所述云识别神经网络模型通过以下方式训练得到:
以标注云覆盖区域的高光谱卫星影像的每个波段的云概率图像作为训练样本,输入到卷积神经网络模型,输出所述高光谱卫星影像的云概率图像;
将所述输出的高光谱卫星影像的云概率图像与标注云覆盖区域的高光谱卫星影像进行对比,判断损失函数是否大于预设阈值;
响应于损失函数大于预设阈值,对卷积神经网络模型的卷积层的参数进行调整,直到损失函数小于所述预设阈值,完成对所述云识别神经网络模型的训练。
8.一种高光谱卫星影像的云量检测装置,其特征在于,包括:
高光谱卫星影像获取模块,用于获取待检测的高光谱卫星影像,确定所述高光谱卫星影像的下垫面类型;
云概率图像输出模块,用于根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型,将所述高光谱卫星影像输入到所述云识别神经网络模型中,输出云概率图像;
云掩膜数据生成模块,用于根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域,生成云掩膜数据。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638289.XA CN113096129B (zh) | 2021-06-08 | 2021-06-08 | 高光谱卫星影像中的云量检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638289.XA CN113096129B (zh) | 2021-06-08 | 2021-06-08 | 高光谱卫星影像中的云量检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096129A true CN113096129A (zh) | 2021-07-09 |
CN113096129B CN113096129B (zh) | 2021-09-10 |
Family
ID=76664496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638289.XA Active CN113096129B (zh) | 2021-06-08 | 2021-06-08 | 高光谱卫星影像中的云量检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096129B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012731A (zh) * | 2023-03-30 | 2023-04-25 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、系统及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502999A (zh) * | 2014-12-10 | 2015-04-08 | 中国科学院遥感与数字地球研究所 | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
US20190087682A1 (en) * | 2015-12-07 | 2019-03-21 | The Climate Corporation | Cloud detection on remote sensing imagery |
KR101967250B1 (ko) * | 2017-12-29 | 2019-04-09 | 한국교원대학교 산학협력단 | 광역적 이동 연무 탐지 시스템 및 그 방법 |
CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
US10620317B1 (en) * | 2018-12-23 | 2020-04-14 | Chongqing Jinkang New Energy Automobile Co., Ltd. | Lidar-based high definition map generation |
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
CN112200787A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112464920A (zh) * | 2021-02-01 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于极端随机树的fy-3d红外高光谱云检测方法 |
CN112767543A (zh) * | 2021-02-01 | 2021-05-07 | 中国人民解放军国防科技大学 | 基于逻辑回归的fy-3d红外高光谱云检测方法 |
-
2021
- 2021-06-08 CN CN202110638289.XA patent/CN113096129B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502999A (zh) * | 2014-12-10 | 2015-04-08 | 中国科学院遥感与数字地球研究所 | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 |
US20190087682A1 (en) * | 2015-12-07 | 2019-03-21 | The Climate Corporation | Cloud detection on remote sensing imagery |
KR101967250B1 (ko) * | 2017-12-29 | 2019-04-09 | 한국교원대학교 산학협력단 | 광역적 이동 연무 탐지 시스템 및 그 방법 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
US10620317B1 (en) * | 2018-12-23 | 2020-04-14 | Chongqing Jinkang New Energy Automobile Co., Ltd. | Lidar-based high definition map generation |
CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
CN112200787A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112464920A (zh) * | 2021-02-01 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于极端随机树的fy-3d红外高光谱云检测方法 |
CN112767543A (zh) * | 2021-02-01 | 2021-05-07 | 中国人民解放军国防科技大学 | 基于逻辑回归的fy-3d红外高光谱云检测方法 |
Non-Patent Citations (2)
Title |
---|
LIN SUN等: "Satellite data cloud detection using deep learning supported by hyperspectral data", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
刘心燕等: "高分四号卫星数据云和云阴影检测算法", 《光学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012731A (zh) * | 2023-03-30 | 2023-04-25 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113096129B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A robust adaptive spatial and temporal image fusion model for complex land surface changes | |
US10839211B2 (en) | Systems, methods and computer program products for multi-resolution multi-spectral deep learning based change detection for satellite images | |
CA2840436C (en) | System for mapping and identification of plants using digital image processing and route generation | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN113885025A (zh) | 一种滑坡形变监测方法与可视化服务平台 | |
CN111929683B (zh) | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN115561181B (zh) | 一种基于无人机多光谱数据的水质反演方法 | |
CN114898097B (zh) | 图像识别方法及系统 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN116361737B (zh) | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 | |
CN114894995A (zh) | 矿区土壤水分反演方法、设备及计算机可读存储介质 | |
CN115825388A (zh) | 一种重金属估算模型的训练方法、估算方法、装置及设备 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
CN112131789A (zh) | 一种基于随机森林算法的多光谱降水检测系统及方法 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN117671504A (zh) | 一种基于yolo算法的海上风电识别方法及系统 | |
Putri | Analysis of land cover classification results using ann, svm, and rf methods with r programming language (case research: Surabaya, Indonesia) | |
CN117708548A (zh) | 一种遥感卫星应用效能评估方法 | |
CN117437523A (zh) | 联合sar ccd和全局信息捕获的微弱痕迹检测方法 | |
CN115423725B (zh) | 一种遥感影像修复方法及装置 | |
CN116630821A (zh) | 一种输电线路外破施工卫星遥感智能监测方法及系统 | |
Parape et al. | Optimization of structure elements for morphological hit-or-miss transform for building extraction from VHR airborne imagery in natural hazard areas |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |