CN115546640A - 遥感影像的云检测方法、装置、电子设备及存储介质 - Google Patents

遥感影像的云检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115546640A
CN115546640A CN202211235185.5A CN202211235185A CN115546640A CN 115546640 A CN115546640 A CN 115546640A CN 202211235185 A CN202211235185 A CN 202211235185A CN 115546640 A CN115546640 A CN 115546640A
Authority
CN
China
Prior art keywords
remote sensing
data
neural network
network model
sensing image
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
Application number
CN202211235185.5A
Other languages
English (en)
Inventor
温晓卓
叶武剑
刘怡俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211235185.5A priority Critical patent/CN115546640A/zh
Publication of CN115546640A publication Critical patent/CN115546640A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种遥感影像的云检测方法、装置、电子设备及存储介质，其方法包括：获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本，卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签，从待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据，基于卫星遥感图片数据及对应的样本类别标签，构建目标神经网络模型，将待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入目标神经网络模型，计算得到对应的检测结果数据。有利于解决现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题，提高了遥感影像的检测效率。

Description

遥感影像的云检测方法、装置、电子设备及存储介质
技术领域
本发明涉及可再生资源的技术领域，尤其涉及一种遥感影像的云检测方法、装置、电子设备及存储介质。
背景技术
遥感影像是一种很重要的数据来源，随着遥感技术的发展，在诸如农业、林业、自然灾害预测、军事、地理测绘、海洋等领域得到了广泛应用。遥感影像能够很容易地获取，但在获取遥感影像时不可避免的受到云层的干扰。地球上约有六成以上的区域被云层覆盖，云层对地面信息的解译造成一定干扰，也给后续处理如融合等造成影响。由于云与其他一些地面物表面如冰、雪等具有相似的反射特性，因此，对影像中云进行检测识别并将其与非云区域的分开是该研究领域的一项难题。对于多光谱波段的云，可以通过其他附加波段储量信息来更加准确的对云信息进行判定识别。但由于许多卫星如HJ-1、GF-2的数据中都存在着光谱波段少及范围窄的局限性，当光谱波段信息的通道仅限于红、绿、蓝和近红外时，影像中云的自动化分割提取的难度将变得更大。
Transformer起初用于NLP(自然语言处理技术)领域，它的提出解决了循环网络模型，如长短期记忆(Long shortterm memory，LSTM)和门控循环单元(Gate recurrentunit，GRU)等存在的无法并行训练，同时需要大量的存储资源记忆整个序列信息的问题。Transformer在NLP领域的成功应用，使得相关学者开始探讨和尝试其在计算机视觉领域的应用，一直以来，卷积神经网络都被认为是计算机视觉的基础模型。而Transformer的出现，为视觉特征学习提供了一种新的可能基于的视觉模型在图像分类、目标检测、图像分割、视频理解、图像生成以及点云分析等领域取得媲美甚至领先卷积神经网络的效果，被广泛应用于多种任务中。
因此，为了提高遥感影像的检测效率，解决目前存在的现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题，亟需构建一种遥感影像的云检测方法。
发明内容
本发明提供了一种遥感影像的云检测方法、装置、电子设备及存储介质，解决了目前存在的现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题。
第一方面，本发明提供了一种遥感影像的云检测方法，包括：
获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型；
将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据。
可选地，获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本，包括：
获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本；
对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到所述卫星遥感训练样本和所述待测遥感影像数据。
可选地，基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型，包括：
将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别；
根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差；
基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型。
可选地，基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型，包括：
基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数；
采用所述最优参数生成训练后的Transformer神经网络模型；
根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
第二方面，本发明提供了一种遥感影像的云检测装置，包括：
获取模块，用于获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
提取模块，用于从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
构建模块，用于基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型；
检测模块，用于将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据。
可选地，所述获取模块包括：
获取子模块，用于获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本；
修正子模块，用于对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到所述卫星遥感训练样本和所述待测遥感影像数据。
可选地，所述构建模块包括：
生成子模块，用于将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别；
误差子模块，用于根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差；
优化子模块，用于基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型。
可选地，所述训优化子模块包括：
调整单元，用于基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数；
生成单元，用于采用所述最优参数生成训练后的Transformer神经网络模型；
验证单元，用于根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种遥感影像的云检测方法，通过获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本，所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签，从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据，基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型，将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据，通过一种遥感影像的云检测方法，解决了目前存在的现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题，提高了遥感影像的云检测方法效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的一种遥感影像的云检测方法实施例一的流程步骤图；
图2为本发明的一种遥感影像的云检测方法实施例二的流程步骤图；
图3为本发明的一种神经网络模型的结构框图；
图4为本发明的一种神经网络模型中Transformer模块的结构框图；
图5为本发明的一种神经网络模型中金字塔拆分注意力模块的结构框图；
图6为本发明的一种遥感影像的云检测装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种遥感影像的云检测方法、装置、电子设备及存储介质，用于解决目前存在的现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
实施例一，请参阅图1，图1为本发明的一种遥感影像的云检测方法实施例一的流程步骤图，包括：
步骤S101，获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
在本发明实施例中，获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本，对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到所述卫星遥感训练样本和所述待测遥感影像数据。
步骤S102，从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
步骤S103，基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型；
在本发明实施例中，将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别，根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差，基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数，采用所述最优参数生成训练后的Transformer神经网络模型，根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
步骤S104，将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据；
在本发明实施例所提供的一种遥感影像的云检测方法，通过获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本，所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签，从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据，基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型，将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据，通过一种遥感影像的云检测方法，解决了目前存在的现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题，提高了遥感影像的云检测方法效率。
实施例二，请参阅图2，图2为本发明的一种遥感影像的云检测方法的流程步骤图，包括：
步骤S201，获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本；
在本发明实施例中，获取遥感影像数据库中的卫星遥感图片数据及对应的样本类别标签，作为初始卫星遥感训练样本，获取初始待测遥感影像数据。
步骤S202，对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到卫星遥感训练样本和待测遥感影像数据；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
在本发明实施例中，对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正(包括对图像进行去畸变，裁剪，缩放，旋转等操作)，得到卫星遥感训练样本和待测遥感影像数据。
步骤S203，从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
步骤S204，将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别；
需要说明的是，Transformer模型是一种神经网络，它通过跟踪序列数据中的关系(如这句话中的单词)来学习上下文并因此学习含义，Transformer模型应用了一组不断发展的数学技术，称为注意力或自我注意力，以检测甚至是系列中遥远的数据元素相互影响和相互依赖的微妙方式。
在本发明实施例中，构建Transformer神经网络模型，并将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别。
在具体实现中，U-net是在2015年用于首次应用于生物图像分割，对较小的数据集可以获得较好的分割结果。U-net的左半部分为编码结构，右半部分为解码结构，在左半部分每层包含两个3×3卷积和下采样操作，卷积层用于对图像的特征提取，之后经过2×2最大池化层使特征图的大小缩小为原来的一半，使得网络能够提取深层次的语义特征。右半部分与左半部分相似，解码结构中每层包含两个3×3卷积和上采样操作，并融合来自下采样过程得到的语义特征。下采样过程中难免会造成一些特征的丢失，从而在冰雪区域容易漏检薄云与细云。
请参阅图3，图3为本发明的一种神经网络模型的结构框图，其中，301为输入，302为金字塔拆分注意力模块，303为下采样，304为Transformer模块，305为上采样，306为跳跃连接，307为输出，相比于Unet网络，在其基础上使用金字塔拆分注意力模块302替换了编码器与解码器部分的两个3×3卷积，在金字塔拆分注意力模块302中，首先经过1×1卷积后的特征图经过金字塔拆分注意力网络结构，它将输入301特征图按通道分为四等分尺度，分别用卷积核为3×3和分组为1、卷积核为5×5和分组为4、卷积核为7×7和分组为8、卷积核为9×9和分组为16的卷积进行提取。通过SE Weight module计算得到四个尺度的注意力权重，再输入Softmax层进行权重校准，最后得到金字塔拆分注意力特征图，然后再通过1×1卷积调整通道数，最后经过残差连接得到输出307特征图。金字塔拆分注意力模块302可以更好的捕获高级特征，提高冰雪区域的薄云与细云的检测准确率。在最后一个下采样层之后，采用1×1卷积调整通道数，之后采用通过线性投影将其输入到Transformer中，从高特征图中进一步获取上下文联系，提高模型的泛化能力。在跳跃连接中，通过多尺度特征融合网络，将4个跳跃连接进行多尺度融合，通过下采样与上采样将4个跳跃连接中提取的云特征信息进行多尺度融合，能有效提高网络性能。
请参阅图4，图4为本发明的一种神经网络模型中Transformer模块的结构框图，其中，304为Transformer模块，401为线性投影，402为Transformer，403为Reshape，404为Layer Normalization(LN)，405为多头注意力层(MSA)，406为多层感知机层(MLP)。Transformer是由Vaswani等人提出并用于自然语言处理(NLP，Natural LanguageProcessing)任务，在许多NLP任务获得了先进水平。Vision Transformer(ViT)通过直接将具有全局自注意力的Transformer编码器应用于计算机视觉任务，在ImageNet分类方面分类准确率高于EfficientNet网络取得最优结果。Transformer编码器包含两个主要部分，分别为多头注意力层(Multi-head Self-Attention，MSA)与多层感知机层(Multi-layerPerceptron，MLP)，每个子层都包含一个层归一化(Layer Normalization，LN)为了防止网络梯度消失，两个子层都包含残差连接。Transformer编码器工作原理如下：
首先将大小为C×H×W的输入x分解为N个不重叠的
Figure BDA0003883358880000091
每个patch大小为h×ω。其中C为输入x的通道数，H与W为输入x的高和宽，h与ω为patch的高和宽。关系式为N＝HW/hw。Transformer在其所有层中使用恒定的潜在向量大小D，将patch平铺并使用可训练的线性投影映射(Linear Projection)到D维，之后进行PatchEmbedding操作，公式具体为：
Figure BDA0003883358880000092
z'l＝MSA(LN(z(l-1)))+z(l-1),l＝1…L；
其中，E∈R(h×w×C)×D表示Patch Embedding投影。代表位置嵌入(PositionEmbedding)，然后使用L层Transformer编码器计算全局上下文关系，公式具体为：
zl＝MLP(LN(z'l))+z'l,l＝1...L；
其中，MSA代表多头注意力层，MLP代表多层感知机层，LN代表层归一化操作(LayerNormalization)。z'l表示上一层输出。表示经过MSA层与残差结构后的输出。zl表示经过一个Transformer编码器的输出。
请参阅图5，图5为本发明的一种神经网络模型中金字塔拆分注意力模块的结构框图，其中，501为输入(Input)，502为SPC module，503为SEWeight module，504为Softmax，505为element-wise product，506为输出(Output)。
金字塔拆分注意力模块是一种多尺度特征融合的通道注意力机制，整体结构图如下所示，模块的原理具体可以分为如下四个步骤：
1)首先通过SPC(Split and Concat)模块获取多尺度特征融合的信息，设特征图输入为X将输入X拆分为S部分[X0，X1，…，XS-1]，每部分的通道数为C′，C′＝C/S，其中C为输入特征图的通道数，将S个部分输入群卷积(Group Convolution)进行多尺度特征提取。其中，群卷积中的卷积核大小与分组大小的关系具体为：
Figure BDA0003883358880000093
其中、Gi、Ki分别为第i个群卷积的组大小、卷积核大小，即当卷积核大小Ki为5时，组大小Gi为4，得到SPC模块提取的不同尺度特征的卷积函数具体为：
Fi＝Conv(Ki×Ki×Gi)(Xi)，i＝0，1…，S-1；
其中，Ki为卷积核大小，Gi为卷积的组大小。第i个卷积核大小为Ki＝2i+3。当i为0时，卷积核大小Ki为3。最后将所提取的多尺度特征通过Concat进行拼接，公式具体为：
Fi＝Cat([F0，F1，…FS-1])；
2)然后通过SE注意力机制对不同部分特征Fi提取注意力权值Zi，公式具体为：
Zi＝SEWeight(Fi)，i＝0，1，…，S-1；
将上述所得注意力向量Zi进行拼接，公式具体为：
Figure BDA0003883358880000101
其中，Z为多尺度注意力权值向量，
Figure BDA0003883358880000102
表示级联运算符。
SE(Squeeze-and-Excitation)模块是一种经典的通道注意力机制模块，可以使得模型学习到不同通道(Channel)特征的重要程度，SE模块包含两个步骤，Squeeze操作和Excitation操作，首先对于输入X∈RH′×W′×C′，通过转换(transformation)函数Ftr将输入X映射到特征图U∈RH×W×C。随后进行Squeeze操作将特征图中的Channel上整个空间特征编码为一个全局特征，共有C个通道，表示为1×1×C大小的向量，采用全局平均池化(GlobalAverage Pooling)来实现，Squeeze函数具体为：
Figure BDA0003883358880000103
其中，zc为全局描述特征z的第c个通道。Squeeze操作之后进行Excitation操作，为了降低模型的复杂度和提升泛化能力，Excitation操作采用了包含两个全连接层(fully-connected(FC)layers)的瓶颈(bottleneck)结构，第一个FC层起到降维的作用，降维系数为r，然后经过ReLU激活，第二个FC层恢复原始的维度，最后经过sigmoid激活得到各个Channel的激活值，公式具体为：
s×Fex(z，W)＝σ(g(z，W))＝σ(W2·δW1·z))；
其中，δ为ReLU激活函数，
Figure BDA0003883358880000111
代表两个FC层的参数。最后将学习到的各个Channel的激活值s乘以U上的原始特征，公式具体为：
Figure BDA0003883358880000112
其中，
Figure BDA0003883358880000113
代表各道最终输出，Fcsale(uc，sc)表示第C个通道上的激活值sc与特征映射uc∈RH×W在通道上的乘积。
3)采用Softmax对上述所得多尺度注意力权重向量进行重校正，实现实现注意力信息交互并融合跨维度信息，然后然后对特征重标定的通道注意力atti进行拼接融合，得到整体通道注意力向量att为公式具体为：
Figure BDA0003883358880000114
Figure BDA0003883358880000115
其中，atti表示Softmax对多尺度注意力权重向量Z进行重校正后的注意力权重，att表示atti级联后的整体通道注意力权重向量。
4)最后将重新校正的多尺度注意力权重atti与对应尺度的特征图Fi相乘，并将结果作为输出，公式具体为：
Yi＝Fi⊙atti，i＝1，2，3，…，S-1；
Out＝Cat([Y0，Y1，…，YS-1])；
其中，⊙表示按通道相乘，Yi表示得到的多尺度通道注意力的特征图。金字塔拆分注意力模块可以在局部和全局通道注意之间获得更好的信息交互。
步骤S205，根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差；
在本发明实施例中，基于样本类别标签和所述样本类别的误差，确定训练误差。
步骤S206，基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到目标Transformer神经网络模型；
在一个可选实施例中，基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型，包括：
基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数；
采用所述最优参数生成训练后的Transformer神经网络模型；
根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
在本发明实施例中，基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数，采用所述最优参数生成训练后的Transformer神经网络模型，根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到目标Transformer神经网络模型。
步骤S207，将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据；
在本发明实施例中，输入所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据到目标Transformer神经网络模型进行计算，得到待测遥感影像数据对应的云检测结果数据。
在本发明实施例所提供的一种遥感影像的云检测方法，通过获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本，所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签，从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据，基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型，将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据，通过一种遥感影像的云检测方法，解决了目前存在的现有的检测方法因难以识别具有相似的地物特性的冰、雪与云导致难以对遥感影像进行准确的检测难以对遥感影像进行有效和准确的检测的技术问题，提高了遥感影像的云检测方法效率。
请参阅图6，图6为本发明的一种遥感影像的云检测装置实施例的结构框图，包括：
获取模块601，用于获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
提取模块602，用于从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
构建模块603，用于基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型；
检测模块604，用于将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据。
在一个可选实施例中，所述获取模块601包括：
获取子模块，用于获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本；
修正子模块，用于对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到所述卫星遥感训练样本和所述待测遥感影像数据。
在一个可选实施例中，所述构建模块603包括：
生成子模块，用于将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别；
误差子模块，用于根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差；
优化子模块，用于基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型。
在一个可选实施例中，所述训优化子模块包括：
调整单元，用于基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数；
生成单元，用于采用所述最优参数生成训练后的Transformer神经网络模型；
验证单元，用于根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一实施例所述的遥感影像的云检测方法的步骤。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一实施例所述的遥感影像的云检测方法的步骤。
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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，本发明所揭露的方法、装置、电子设备及存储介质，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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网络单元上。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。
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。
所述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可读存储介质中。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可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种遥感影像的云检测方法，其特征在于，包括：
获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型；
将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据。
2.根据权利要求1所述的遥感影像的云检测方法，其特征在于，获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本，包括：
获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本；
对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到所述卫星遥感训练样本和所述待测遥感影像数据。
3.根据权利要求1所述的遥感影像的云检测方法，其特征在于，基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型，包括：
将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别；
根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差；
基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型。
4.根据权利要求3所述的遥感影像的云检测方法，其特征在于，基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型，包括：
基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数；
采用所述最优参数生成训练后的Transformer神经网络模型；
根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
5.一种遥感影像的云检测装置，其特征在于，包括：
获取模块，用于获取待测遥感影像数据和遥感影像数据库中的卫星遥感训练样本；所述卫星遥感训练样本包括卫星遥感图片数据及对应的样本类别标签；
提取模块，用于从所述待测遥感影像数据中提取得到红蓝绿颜色波段数据和近红外波段数据；
构建模块，用于基于所述卫星遥感图片数据及对应的样本类别标签，构建目标Transformer神经网络模型；
检测模块，用于将所述待测遥感影像数据中的红蓝绿颜色波段数据和近红外波段数据输入所述目标Transformer神经网络模型，计算得到所述待测遥感影像数据对应的云检测结果数据。
6.根据权利要求5所述的遥感影像的云检测装置，其特征在于，所述获取模块包括：
获取子模块，用于获取初始待测遥感影像数据和遥感影像数据库中的初始卫星遥感训练样本；
修正子模块，用于对所述初始卫星遥感训练样本和所述初始待测遥感影像数据进行修正，得到所述卫星遥感训练样本和所述待测遥感影像数据。
7.根据权利要求5所述的遥感影像的云检测装置，其特征在于，所述构建模块包括：
生成子模块，用于将所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据输入Transformer神经网络模型，生成对应的样本类别；
误差子模块，用于根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签和所述样本类别，确定训练误差；
优化子模块，用于基于所述训练误差，对所述Transformer神经网络模型进行调整，得到最优参数，并采用所述最优参数，优化所述神经网络模型，得到所述目标Transformer神经网络模型。
8.根据权利要求7所述的遥感影像的云检测装置，其特征在于，所述训优化子模块包括：
调整单元，用于基于所述训练误差，对所述Transformer神经网络模型进行调整，得到所述最优参数；
生成单元，用于采用所述最优参数生成训练后的Transformer神经网络模型；
验证单元，用于根据所述卫星遥感图片数据中的红蓝绿颜色波段数据和近红外波段数据及对应的样本类别标签，验证所述训练后的神经网络模型，得到所述目标Transformer神经网络模型。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-4任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-4任一项所述的方法。
CN202211235185.5A 2022-10-10 2022-10-10 遥感影像的云检测方法、装置、电子设备及存储介质 Pending CN115546640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211235185.5A CN115546640A (zh) 2022-10-10 2022-10-10 遥感影像的云检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211235185.5A CN115546640A (zh) 2022-10-10 2022-10-10 遥感影像的云检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115546640A true CN115546640A (zh) 2022-12-30

Family

ID=84734286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211235185.5A Pending CN115546640A (zh) 2022-10-10 2022-10-10 遥感影像的云检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115546640A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965954A (zh) * 2023-03-16 2023-04-14 北京市农林科学院信息技术研究中心 秸秆类型识别方法、装置、电子设备及存储介质
CN116740584A (zh) * 2023-06-25 2023-09-12 安徽大学 一种结合CNN和Transformer的渐进式学习梯度的弱监督云检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965954A (zh) * 2023-03-16 2023-04-14 北京市农林科学院信息技术研究中心 秸秆类型识别方法、装置、电子设备及存储介质
CN116740584A (zh) * 2023-06-25 2023-09-12 安徽大学 一种结合CNN和Transformer的渐进式学习梯度的弱监督云检测方法
CN116740584B (zh) * 2023-06-25 2024-05-10 安徽大学 一种弱监督云检测方法

Similar Documents

Publication Publication Date Title
Guo et al. CDnetV2: CNN-based cloud detection for remote sensing imagery with cloud-snow coexistence
CN108537742B (zh) 一种基于生成对抗网络的遥感图像全色锐化方法
CN110598600A (zh) 一种基于unet神经网络的遥感图像云检测方法
CN115546640A (zh) 遥感影像的云检测方法、装置、电子设备及存储介质
CN113673590B (zh) 基于多尺度沙漏密集连接网络的去雨方法、系统和介质
CN111079683A (zh) 基于卷积神经网络的遥感图像云雪检测方法
CN115690479A (zh) 一种基于卷积Transformer的遥感图像分类方法及系统
CN110689021A (zh) 一种基于深度学习的低可见度环境下实时目标检测方法
CN112347888A (zh) 基于双向特征迭代融合的遥感图像场景分类方法
Wang et al. RSCNet: A residual self-calibrated network for hyperspectral image change detection
CN114926693A (zh) 基于加权距离的sar图像小样本识别方法及装置
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
CN115577768A (zh) 半监督模型训练方法和装置
CN117475216A (zh) 一种基于aglt网络的高光谱与激光雷达数据融合分类方法
CN113408540B (zh) 一种合成孔径雷达图像叠掩区提取方法及存储介质
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN114550014A (zh) 道路分割方法及计算机装置
CN114092803A (zh) 基于遥感图像的云检测方法、装置、电子设备及介质
Patel et al. A novel approach for semantic segmentation of automatic road network extractions from remote sensing images by modified UNet
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
Liu et al. High-resolution remote sensing image information extraction and target recognition based on multiple information fusion
CN113393385A (zh) 基于多尺度融合的无监督去雨方法、系统、装置及介质
CN115984714B (zh) 一种基于双分支网络模型的云检测方法
CN116758419A (zh) 针对遥感图像的多尺度目标检测方法、装置和设备
CN115810123A (zh) 基于注意力机制和改进特征融合的小目标害虫检测方法

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