CN113792653A - 一种遥感影像云检测的方法、系统、设备和存储介质 - Google Patents

Abstract

本发明提出了一种遥感影像云检测的方法、系统、设备和存储介质。该方法包括通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对云层轮廓标记云标签得到标签图；根据标签图制作数据集；根据标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；将模糊化后的图像作为预设vgg16网络的输入，对vgg16网络进行训练；采用待测遥感影像作为训练后vgg16网络的输入实现待测遥感影像的云检测。基于该方法，还提出了一种遥感影像云检测的系统、设备和存储介质。本发明利用vgg16网络结构对语义分割模型U‑Net进行改进，结合影像处理的超像素分割方法和高斯渐进模糊化方法，提高了高分辨率遥感影像云检测精度。

Description

一种遥感影像云检测的方法、系统、设备和存储介质

技术领域

本发明属于遥感影像处理技术领域，特别涉及一种遥感影像云检测的方法、系统、设备和存储介质。

背景技术

地球环境变化与人类社会生产息息相通，从国际卫星云气候计划(ISCCP)提供的数据可以看出，全球超过60％的区域被云层覆盖。云是重要的遥感数据资源，一方面可以通过云层分析气候灾害，如台风、暴雨等，还可以通过云量预测天气状况。另一方面，如果影像中存在大量的云，也会对遥感影像的质量产生影响，严重降低影像的利用率。因此云检测就成为了遥感影像研究的热点问题。

目前对高分辨率遥感影像进行云检测的方法大致可分为3类，即基于光谱的方法、基于纹理的方法、基于深度学习的方法。基于光谱的方法主要是利用云层在不同光谱波段的不同反射特征，大部分采用灰度阈值或灰度聚类的方法，这类方法主要适用于多光谱影像。基于纹理的方法主要利用云影像的灰度空间分布特征。这里所说的纹理是指影像像素的灰度或颜色的某种变化规律，是一种区域特征，反映了影像或物体本身各元素之间空间分布的特性。随着深度学习在计算机视觉、图像处理等领域的快速发展与应用，语义分割模型不断涌现，基于深度学习的方法开始应用到遥感影像的云检测中。U-Net网络模型是一种典型的深度学习模型，最早应用在医学影像分割领域，主要用于分割影像中细胞和背景。由于该模型训练速度快，效果显著，逐渐被应用到更多的场景中。在进行遥感影像云检测时，由于云的形状多样且不规则，与医学影像中的细胞极为相似。图1是现有技术中经典U-Net网络结构图。U-Net的网络结构为U字型对称网络结构，通过拼接的方式实现特征融合。在图片进入U-Net网络后，先经过特征提取网络，进行一系列下采样操作,得到特征图。但是在现有技术进行云检测时，遥感影像中非云的区域是次要的，由于这部分像素点较多，导致对影像进行特征提取所耗费的时间大大增加，也会使网络学习到更多的无用高频特征，产生过拟合现象。

发明内容

为了解决上述技术问题，本发明提出了一种遥感影像云检测的方法、系统、设备和存储介质，改进U-Net网络模型能够有效提取高分遥感影像的云层特征，且模型训练时间更短，同时还可以避免出现梯度消失或梯度爆炸的情况，提高了云检测精度。

为实现上述目的，本发明采用以下技术方案：

一种遥感影像云检测的方法，包括以下步骤：

通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集；

根据所述标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；

将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；

采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

进一步的，所述通过对遥感影像进行超像素分割绘制出云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集具体包括：

采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓；

对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集；

将所述数据集中的数据按照预设的比例划分为训练集和测试集。

进一步的，所述采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓具体包括：

按照预设的超像素个数，等步长将待分割的高分辨率遥感图像划分为规则网格，获取初始聚类中心；

将所述初始聚类中心转移到3×3邻域内像素点梯度最小的地方；

为每个聚类中心邻域内所有像素点分配类标签；

对于每个搜索到的像素点，分别计算像素点与聚类中心的距离，并取距离的最小值作为当前像素点的聚类中心；直到每个像素点的聚类中心均不再发生变化。

进一步的，所述根据所述标签图采用高斯模糊方法对遥感影像进行模糊化处理具体包括：

利用所述标签图地区遥感影像中每个像素点的坐标，计算像素点坐标到云标签坐标的最短距离k，求解模糊半径r，所述模糊半径r的计算公式为：

通过二维高斯函数计算每个像素点的权重G；所述权重G的计算公式为：

其中σ为计算权重的阈值；x为像素点的横坐标；y为像素点的纵坐标；

每个像素点的灰度值乘以权重，得到像素点的高斯模糊值；通过模糊半径确定影响中心像素点的像素点个数，将所述影像中心的像素点高斯模糊值相加，得到中心点的高斯模糊值；

重复执行获取所有像素点的高斯模糊值，分别对高分辨率遥感影像的R、G、B三个通道做高斯模糊，得到高斯模糊影像。

进一步的，所述预设vgg16网络包括13个卷积层和3个全连接层，且卷积层中使用3*3的卷积核，13个卷积层中加入4个最大池化层。

进一步的，所述将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练的过程为：将模糊化处理后的图像作为预设vgg16网络的输入；在所述预设vgg16网络中提取遥感影像云层特征图，卷积层中运用的是3*3的卷积核，使用ELU激活函数，函数形式如下：

进一步的，所述采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测的过程为：通过训练后vgg16网络对待测遥感影像进行采样，并通过跳转连接操作结合所述遥感影像云层特征分别输出云区域特征图和非云区域特征图。

本发明还提出了一种遥感影像云检测的系统，包括绘制模块、模糊化模块、训练模块和检测模块；

所述绘制模块用于通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集；

所述模糊化模块用于根据所述标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；

所述训练模块用于将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；

所述检测模块用于采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

本发明还提出了一种设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述的方法步骤。

本发明还提出了一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法步骤。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明提出了一种遥感影像云检测的方法、系统、设备和存储介质。该方法包括通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对云层轮廓标记云标签得到标签图；根据标签图制作数据集；根据标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；将模糊化处理后的图像作为预设vgg16网络的输入，对vgg16网络进行训练；采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。基于一种遥感影像云检测的方法，还提出了一种遥感影像云检测的系统、设备和存储介质。本发明利用vgg16网络结构对语义分割模型U-Net进行改进，结合影像处理的超像素分割方法和高斯渐进模糊化方法，有效提高了高分辨率遥感影像云检测的精度。遥感影像根据相应的标签图，以标签为中心，将非云区域进行渐进模糊处理，即离标签中心越远，模糊效果越明显。该方法不仅可以降低遥感影像的分辨率，加快网络训练速度；也可以减弱影像中非云区域对云区域特征提取的影响。

附图说明

图1是现有技术中经典U-Net网络结构图；

图2为本发明实施例1中改进的U-Net网络结构；

图3为本发明实施例1一种遥感影像云检测的方法流程图；

图4为本发明实施例2一种遥感影像云检测的系统示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

实施例1

本发明实施例1提出了一种遥感影像云检测的方法，该方法利用vgg16网络结构对语义分割模型U-Net进行改进，结合影像处理的超像素分割方法和高斯渐进模糊化方法，有效提高了高分辨率遥感影像云检测的精度，图2为本发明实施例1中改进的U-Net网络结构，本发明所采用的vgg16网络结构共包含13个卷积层和3个全连接层，在卷积层中使用3*3的卷积核。13个卷积层中加入4个最大池化层，通过池化层不断降低数据空间大小。本发明提出的改进U-Net网络模型，与经典的U-Net网络模型相比，深度更深，能够有效提取高分遥感影像的云层特征，且模型训练时间更短，同时还可以避免出现梯度消失或梯度爆炸的情况，提高了云检测精度。

图3为本发明实施例1一种遥感影像云检测的方法流程图。

在步骤S301中，通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对云层轮廓标记云标签得到标签图；根据标签图制作数据集。

首先选取云层形态各异，背景地貌不同的高分遥感影像。将高分遥感影像采用线性迭代聚类方法进行超像素分割。此方法是将一些具有相似特性的像素聚合起来，形成一个更具有代表性的大像素，勾勒出云层轮廓：具体的过程包括：

采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓；具体为：初始化种子点(聚类中心)：按照既定的超像素个数，等步长将待分割的高分辨率遥感图像划分为规则网格，以获取初始聚类中心；

更新种子：将种子点转移到3×3邻域内像素点梯度最小的地方，以避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果；

分配标签：为每个种子点邻域内所有像素点分配类标签；

距离度量：包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算其与种子点的距离。由于每个像素点都会被周围多个种子点搜索到，因此要分别计算像素点与周围各个种子点的距离，取最小值所对应的种子点作为该像素点的聚类中心；

重复上述步骤直到每个像素点的聚类中心不再发生变化为止；

增强连通性：分割结果中如果出现多连通、超像素尺寸过小、单个超像素被切割成多个不连续超像素等情况，则利用最大相邻聚类的标签重新分配给邻近的超像素。

绘制出遥感影像中云层轮廓之后，对云层轮廓标记云标签得到标签图；标签图制作数据集；

将数据集中的数据按照预设的比例划分为训练集和测试集。

在步骤S302中，根据标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；具体过程包括：

利用标签图地区遥感影像中每个像素点的坐标，计算像素点坐标到云标签坐标的最短距离k，求解模糊半径r，模糊半径r的计算公式为：

通过二维高斯函数计算每个像素点的权重G；权重G的计算公式为：

其中σ为计算权重的阈值；x为像素点的横坐标；y为像素点的纵坐标；

每个像素点的灰度值乘以权重，得到像素点的高斯模糊值；通过模糊半径确定影响中心像素点的像素点个数，将所述影像中心的像素点高斯模糊值相加，得到中心点的高斯模糊值；

重复以上步骤获取所有像素点的高斯模糊值，分别对高分辨率遥感影像的R、G、B三个通道做高斯模糊，得到高斯模糊影像。

在步骤S303中，将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；预设vgg16网络包括13个卷积层和3个全连接层，且卷积层中使用3*3的卷积核，13个卷积层中加入4个最大池化层。

将模糊化处理后的图像作为预设vgg16网络的输入；在所述预设vgg16网络中提取遥感影像云层特征图，卷积层中运用的是3*3的卷积核，使用ELU激活函数，函数形式如下：

在步骤S304中，采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

对高分辨率遥感影像进行上采样并通过跳转连接操作结合特征提取网络中对应的云层特征图，分别输出云区域和非云区域两个通道的特征图。

本发明利用vgg16网络结构对语义分割模型U-Net进行改进，结合影像处理的超像素分割方法和高斯渐进模糊化方法，有效提高了高分辨率遥感影像云检测的精度。

实施例2

基于本发明实施例1提出的一种遥感影像云检测的方法，本发明实施例2还提出了一种遥感影像云检测的系统，该系统包括绘制模块、模糊化模块、训练模块和检测模块；

绘制模块用于通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集。

其中绘制模块实现的过程为：首先选取云层形态各异，背景地貌不同的高分遥感影像。将高分遥感影像采用线性迭代聚类方法进行超像素分割。此方法是将一些具有相似特性的像素聚合起来，形成一个更具有代表性的大像素，勾勒出云层轮廓：具体的过程包括：

采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓；具体为：初始化种子点(聚类中心)：按照既定的超像素个数，等步长将待分割的高分辨率遥感图像划分为规则网格，以获取初始聚类中心；

更新种子：将种子点转移到3×3邻域内像素点梯度最小的地方，以避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果；

分配标签：为每个种子点邻域内所有像素点分配类标签；

距离度量：包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算其与种子点的距离。由于每个像素点都会被周围多个种子点搜索到，因此要分别计算像素点与周围各个种子点的距离，取最小值所对应的种子点作为该像素点的聚类中心；

重复上述步骤直到每个像素点的聚类中心不再发生变化为止；

增强连通性：分割结果中如果出现多连通、超像素尺寸过小、单个超像素被切割成多个不连续超像素等情况，则利用最大相邻聚类的标签重新分配给邻近的超像素。

绘制出遥感影像中云层轮廓之后，对云层轮廓标记云标签得到标签图；标签图制作数据集；

将数据集中的数据按照预设的比例划分为训练集和测试集。

模糊化模块用于根据所述标签图采用高斯模糊方法对待测遥感影像进行模糊化处理。

其中模糊化模块实现的过程为：

利用标签图地区遥感影像中每个像素点的坐标，计算像素点坐标到云标签坐标的最短距离k，求解模糊半径r，模糊半径r的计算公式为：

通过二维高斯函数计算每个像素点的权重G；权重G的计算公式为：

其中σ为计算权重的阈值；x为像素点的横坐标；y为像素点的纵坐标；

每个像素点的灰度值乘以权重，得到像素点的高斯模糊值；通过模糊半径确定影响中心像素点的像素点个数，将所述影像中心的像素点高斯模糊值相加，得到中心点的高斯模糊值；

重复以上步骤获取所有像素点的高斯模糊值，分别对高分辨率遥感影像的R、G、B三个通道做高斯模糊，得到高斯模糊影像。

训练模块用于将模糊化处理后的图像作为预设vgg16网络的输入，对vgg16网络进行训练；

其中训练模块实现的过程为：预设vgg16网络包括13个卷积层和3个全连接层，且卷积层中使用3*3的卷积核，13个卷积层中加入4个最大池化层。

将模糊化处理后的图像作为预设vgg16网络的输入；在所述预设vgg16网络中提取遥感影像云层特征图，卷积层中运用的是3*3的卷积核，使用ELU激活函数，函数形式如下：

检测模块用于采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

其中检测模块实现的过程为：对高分辨率遥感影像进行上采样并通过跳转连接操作结合特征提取网络中对应的云层特征图，分别输出云区域和非云区域两个通道的特征图。

实施例3

本发明还提出了一种设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现方法步骤如下：

本发明采用改进的U-Net网络结构，所采用的vgg16网络结构共包含13个卷积层和3个全连接层，在卷积层中使用3*3的卷积核。13个卷积层中加入4个最大池化层，通过池化层不断降低数据空间大小。本发明提出的改进U-Net网络模型，与经典的U-Net网络模型相比，深度更深，能够有效提取高分遥感影像的云层特征，且模型训练时间更短，同时还可以避免出现梯度消失或梯度爆炸的情况，提高了云检测精度。

图3为本发明实施例1一种遥感影像云检测的方法流程图。

在步骤S301中，通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对云层轮廓标记云标签得到标签图；根据标签图制作数据集。

首先选取云层形态各异，背景地貌不同的高分遥感影像。将高分遥感影像采用线性迭代聚类方法进行超像素分割。此方法是将一些具有相似特性的像素聚合起来，形成一个更具有代表性的大像素，勾勒出云层轮廓：具体的过程包括：

采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓；具体为：初始化种子点(聚类中心)：按照既定的超像素个数，等步长将待分割的高分辨率遥感图像划分为规则网格，以获取初始聚类中心；

更新种子：将种子点转移到3×3邻域内像素点梯度最小的地方，以避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果；

分配标签：为每个种子点邻域内所有像素点分配类标签；

距离度量：包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算其与种子点的距离。由于每个像素点都会被周围多个种子点搜索到，因此要分别计算像素点与周围各个种子点的距离，取最小值所对应的种子点作为该像素点的聚类中心；

重复上述步骤直到每个像素点的聚类中心不再发生变化为止；

增强连通性：分割结果中如果出现多连通、超像素尺寸过小、单个超像素被切割成多个不连续超像素等情况，则利用最大相邻聚类的标签重新分配给邻近的超像素。

绘制出遥感影像中云层轮廓之后，对云层轮廓标记云标签得到标签图；标签图制作数据集；

将数据集中的数据按照预设的比例划分为训练集和测试集。

在步骤S302中，根据标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；具体过程包括：

利用标签图地区遥感影像中每个像素点的坐标，计算像素点坐标到云标签坐标的最短距离k，求解模糊半径r，模糊半径r的计算公式为：

通过二维高斯函数计算每个像素点的权重G；权重G的计算公式为：

其中σ为计算权重的阈值；x为像素点的横坐标；y为像素点的纵坐标；

每个像素点的灰度值乘以权重，得到像素点的高斯模糊值；通过模糊半径确定影响中心像素点的像素点个数，将所述影像中心的像素点高斯模糊值相加，得到中心点的高斯模糊值；

重复以上步骤获取所有像素点的高斯模糊值，分别对高分辨率遥感影像的R、G、B三个通道做高斯模糊，得到高斯模糊影像。

在步骤S303中，将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；预设vgg16网络包括13个卷积层和3个全连接层，且卷积层中使用3*3的卷积核，13个卷积层中加入4个最大池化层。

将模糊化处理后的图像作为预设vgg16网络的输入；在所述预设vgg16网络中提取遥感影像云层特征图，卷积层中运用的是3*3的卷积核，使用ELU激活函数，函数形式如下：

在步骤S304中，采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

对高分辨率遥感影像进行上采样并通过跳转连接操作结合特征提取网络中对应的云层特征图，分别输出云区域和非云区域两个通道的特征图。

本发明利用vgg16网络结构对语义分割模型U-Net进行改进，结合影像处理的超像素分割方法和高斯渐进模糊化方法，有效提高了高分辨率遥感影像云检测的精度。

需要说明：本发明技术方案还提供了一种电子设备，包括：通信接口，能够与其它设备比如网络设备等进行信息交互；处理器，与通信接口连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的一种遥感影像云检测的方法，而所述计算机程序存储在存储器上。当然，实际应用时，电子设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。本申请实施例中的存储器用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，ReadOnly Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，RandomAccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。上述本申请实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、DSP(Digital Signal Processing，即指能够实现数字信号处理技术的芯片)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的程序，结合其硬件完成前述方法的步骤。处理器执行所述程序时实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。

实施例4

本发明还提出了一种可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现方法步骤如下：

本发明采用改进的U-Net网络结构，所采用的vgg16网络结构共包含13个卷积层和3个全连接层，在卷积层中使用3*3的卷积核。13个卷积层中加入4个最大池化层，通过池化层不断降低数据空间大小。本发明提出的改进U-Net网络模型，与经典的U-Net网络模型相比，深度更深，能够有效提取高分遥感影像的云层特征，且模型训练时间更短，同时还可以避免出现梯度消失或梯度爆炸的情况，提高了云检测精度。

图3为本发明实施例1一种遥感影像云检测的方法流程图。

在步骤S301中，通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对云层轮廓标记云标签得到标签图；根据标签图制作数据集。

首先选取云层形态各异，背景地貌不同的高分遥感影像。将高分遥感影像采用线性迭代聚类方法进行超像素分割。此方法是将一些具有相似特性的像素聚合起来，形成一个更具有代表性的大像素，勾勒出云层轮廓：具体的过程包括：

采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓；具体为：初始化种子点(聚类中心)：按照既定的超像素个数，等步长将待分割的高分辨率遥感图像划分为规则网格，以获取初始聚类中心；

更新种子：将种子点转移到3×3邻域内像素点梯度最小的地方，以避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果；

分配标签：为每个种子点邻域内所有像素点分配类标签；

距离度量：包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算其与种子点的距离。由于每个像素点都会被周围多个种子点搜索到，因此要分别计算像素点与周围各个种子点的距离，取最小值所对应的种子点作为该像素点的聚类中心；

重复上述步骤直到每个像素点的聚类中心不再发生变化为止；

增强连通性：分割结果中如果出现多连通、超像素尺寸过小、单个超像素被切割成多个不连续超像素等情况，则利用最大相邻聚类的标签重新分配给邻近的超像素。

绘制出遥感影像中云层轮廓之后，对云层轮廓标记云标签得到标签图；标签图制作数据集；

将数据集中的数据按照预设的比例划分为训练集和测试集。

在步骤S302中，根据标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；具体过程包括：

利用标签图地区遥感影像中每个像素点的坐标，计算像素点坐标到云标签坐标的最短距离k，求解模糊半径r，模糊半径r的计算公式为：

通过二维高斯函数计算每个像素点的权重G；权重G的计算公式为：

其中σ为计算权重的阈值；x为像素点的横坐标；y为像素点的纵坐标；

每个像素点的灰度值乘以权重，得到像素点的高斯模糊值；通过模糊半径确定影响中心像素点的像素点个数，将所述影像中心的像素点高斯模糊值相加，得到中心点的高斯模糊值；

重复以上步骤获取所有像素点的高斯模糊值，分别对高分辨率遥感影像的R、G、B三个通道做高斯模糊，得到高斯模糊影像。

在步骤S303中，将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；预设vgg16网络包括13个卷积层和3个全连接层，且卷积层中使用3*3的卷积核，13个卷积层中加入4个最大池化层。

将模糊化处理后的图像作为预设vgg16网络的输入；在所述预设vgg16网络中提取遥感影像云层特征图，卷积层中运用的是3*3的卷积核，使用ELU激活函数，函数形式如下：

在步骤S304中，采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

对高分辨率遥感影像进行上采样并通过跳转连接操作结合特征提取网络中对应的云层特征图，分别输出云区域和非云区域两个通道的特征图。

本发明利用vgg16网络结构对语义分割模型U-Net进行改进，结合影像处理的超像素分割方法和高斯渐进模糊化方法，有效提高了高分辨率遥感影像云检测的精度。

本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器，上述计算机程序可由处理器执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的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电子设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例提供的一种遥感影像云检测的处理设备和存储介质中相关部分的说明可以参见本申请实施例1提供的一种遥感影像云检测的方法中对应部分的详细说明，在此不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种遥感影像云检测的方法，其特征在于，包括以下步骤：

通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集；

根据所述标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；

将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；

采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

2.根据权利要求1所述的一种遥感影像云检测的方法，其特征在于，所述通过对遥感影像进行超像素分割绘制出云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集具体包括：

采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓；

对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集；

将所述数据集中的数据按照预设的比例划分为训练集和测试集。

3.根据权利要求2所述的一种遥感影像云检测的方法，其特征在于，所述采用线性迭代聚类方法进行超像素分割绘制出遥感影像中云层轮廓具体包括：

按照预设的超像素个数，等步长将待分割的高分辨率遥感图像划分为规则网格，获取初始聚类中心；

将所述初始聚类中心转移到3×3邻域内像素点梯度最小的地方；

为每个聚类中心邻域内所有像素点分配类标签；

对于每个搜索到的像素点，分别计算像素点与聚类中心的距离，并取距离的最小值作为当前像素点的聚类中心；直到每个像素点的聚类中心均不再发生变化。

4.根据权利要求3所述的一种遥感影像云检测的方法，其特征在于，所述根据所述标签图采用高斯模糊方法对遥感影像进行模糊化处理具体包括：

利用所述标签图地区遥感影像中每个像素点的坐标，计算像素点坐标到云标签坐标的最短距离k，求解模糊半径r，所述模糊半径r的计算公式为：

通过二维高斯函数计算每个像素点的权重G；所述权重G的计算公式为：

其中σ为计算权重的阈值；x为像素点的横坐标；y为像素点的纵坐标；

每个像素点的灰度值乘以权重，得到像素点的高斯模糊值；通过模糊半径确定影响中心像素点的像素点个数，将所述影像中心的像素点高斯模糊值相加，得到中心点的高斯模糊值；

重复执行获取所有像素点的高斯模糊值，分别对高分辨率遥感影像的R、G、B三个通道做高斯模糊，得到高斯模糊影像。

5.根据权利要求1所述的一种遥感影像云检测的方法，其特征在于，所述预设vgg16网络包括13个卷积层和3个全连接层，且卷积层中使用3*3的卷积核，13个卷积层中加入4个最大池化层。

6.根据权利要求5所述的一种遥感影像云检测的方法，其特征在于，所述将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练的过程为：将模糊化处理后的图像作为预设vgg16网络的输入；在所述预设vgg16网络中提取遥感影像云层特征图，卷积层中运用的是3*3的卷积核，使用ELU激活函数，函数形式如下：

7.根据权利要求6所述的一种遥感影像云检测的方法，其特征在于，所述采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测的过程为：通过训练后vgg16网络对待测遥感影像进行采样，并通过跳转连接操作结合所述遥感影像云层特征分别输出云区域特征图和非云区域特征图。

8.一种遥感影像云检测的系统，其特征在于，包括：绘制模块、模糊化模块、训练模块和检测模块；

所述绘制模块用于通过对待测遥感影像进行超像素分割绘制出待测遥感影像中云层的轮廓，并对所述云层轮廓标记云标签得到标签图；根据所述标签图制作数据集；

所述模糊化模块用于根据所述标签图采用高斯模糊方法对待测遥感影像进行模糊化处理；

所述训练模块用于将模糊化处理后的图像作为预设vgg16网络的输入，对所述vgg16网络进行训练；

所述检测模块用于采用待测遥感影像作为训练后vgg16网络的输入，实现待测遥感影像的云检测。

9.一种设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的方法步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法步骤。

Images