CN115661677A - 一种基于暗通道特征引导的轻量级卫星影像云检测方法 - Google Patents
一种基于暗通道特征引导的轻量级卫星影像云检测方法 Download PDFInfo
- Publication number
- CN115661677A CN115661677A CN202211270241.9A CN202211270241A CN115661677A CN 115661677 A CN115661677 A CN 115661677A CN 202211270241 A CN202211270241 A CN 202211270241A CN 115661677 A CN115661677 A CN 115661677A
- Authority
- CN
- China
- Prior art keywords
- dark channel
- image
- dark
- channel
- cloud detection
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于暗通道特征引导的轻量级卫星影像云检测方法,属于图像数据处理方法。本发明提出的基于暗通道特征引导的轻量级卫星影像云检测方法中,为了利用多光谱影像中的暗通道先验来指导网络学习特征,首先使用多尺度暗通道提取器预测暗通道,然后将暗通道特征和影像特征输入到基于注意力机制的暗通道引导上下文聚合模块增强影像特征,进而使得云检测结果更加精确。然后,为了增强网络在不同卫星传感器之间的迁移能力,提出了一个通道自适应模块用来处理不同卫星传感器波段数量不一致的情况。本方法可以在在保持参数量和运算量较小的情况下优于主流方,同时模型还具有一定的迁移能力。
Description
技术领域
本发明属于图像数据处理方法,具体涉及一种基于暗通道特征引导的轻量级卫星影像云检测方法。
背景技术
光学遥感影像是对地遥感观测重要的数据源之一,已经广泛应用于地表覆盖制图、植被水体监测等诸多领域,为全球环境监测提供了不可替代的支撑。然而,光学遥感影像不可避免会受到云遮挡影响,在影像中形成低利用价值甚至无利用价值的无效像元,导致地物信息被遮盖或扭曲而影响解译和分析。因此需要对影像中云进行检测,提高含云影像利用率。云检测通常是第一个也是最关键的预处理步骤。当需要处理大量的卫星影像时,手工标注云掩模是费时费力的。因此,设计全自动算法以检测光学遥感影像中的云非常重要。
光学遥感卫星自动化云检测一直以来面临着诸多挑战。首先,云的种类繁多,且云容易与一些明亮的地物混淆,尤其当遥感影像的光谱数量有限时,比如常见的近红外、红、绿、蓝四波段组成的多光谱影像,由地物造成的误检测更为普遍。其次,在薄云边界时,云信息与地表信息混杂在一起,导致很难区分云和非云区域。面对以上诸多问题,学者们从不同的角度提出了许多有效的方法。传统的光学遥感卫星影像云检测方法可以分为两大类:基于单时相的方法和基于多时相的方法。目前基于深度学习的方法可以实现端到端的云检测,并且能取得优于传统方法的表现。然而,现有方法仍存在一些问题:1)现有方法通过堆叠的卷积层与池化层,只提取了影像上局部空间特征,而忽略了遥感影像块的全局语义信息。2)现有方法一般只在相同的传感器影像进行训练和测试,当在与训练影像不同的传感器测试时精度大幅下降。3)现有方法参数量和计算量较大,不利于模型的部署。因此,现有的方法不足以应对实际问题和应用,限制了深度学习云检测技术在遥感领域的广泛应用。在这种情况下,如何提出一个轻量级且性能好的深度学习云检测模型是一个巨大的挑战。
发明内容
相比于卷积神经网络,视觉变换器(Vision Transfomer,ViT)将影像切割为多个小块,利用自注意力机制建模小块间的全局关系,因此,ViT可以捕获长距离的依赖关系,可以使得网络可以提取高阶更加抽象的特征来提高分类精度。在提出的方法中,采用了ViT作为网络的编码器。同时,观察到多光谱影像中的暗通道影像可以清楚地区分云区和其他地物类型,因此可以利用暗通道先验来指导网络学习特征。当训练好的网络在其他传感器数据上测试时,精度会大幅下降。因此,有必要提出一种模块来增强网络的迁移能力,提高模型在不用传感器之间的泛化性能。
因此,本发明提出基于暗通道特征引导的轻量级卫星影像云检测方法。首先使用多尺度暗通道提取器预测暗通道,然后将暗通道特征和影像特征输入到基于注意力机制的暗通道引导上下文聚合模块增强影像特征,进而使得云检测结果更加精确。然后,为了增强网络在不同卫星传感器之间的迁移能力,提出了一个通道自适应模块用来处理不同卫星传感器波段数量不一致的情况。
本发明所采用的技术方案是:基于暗通道特征引导的轻量级卫星影像云检测方法,包括以下步骤:
步骤1:首先将训练影像数据输入到编码器网络中提取不同层次的多个特征;
步骤2:将步骤1得到的多个特征进行级联操作得到图像语义特征Fsem;
步骤3:将步骤1得到的多个特征输入到多尺度暗通道提取器模块中,得到新的特征;
步骤5:将步骤3计算得到的新的特征进行级联操作得到暗通道特征Fdark;
步骤6:将步骤2得到的图像语义特征Fsem和步骤5得到的暗通道特征Fdark输入到暗通道引导的上下文聚合模块中得到最终的特征图;
步骤8:通过梯度下降算法进行反向传播并更新网络的参数;
步骤9:步骤1至8,反复迭代,直到训练结束,得到用于预测遥感影像分分割结果的模型;
步骤10:在测试阶段,设置一个窗口在影像上滑动,将每个窗口的影像块输入到模型中得到每个窗口的预测结果,最后得到遥感影像的分割结果。
进一步的,步骤1中编码器网络选用MobileViT。
进一步的,步骤3中多尺度暗通道提取器模块包括多个1×1的卷积层,用于将步骤1中的多个特征映射到另一个空间得到新的特征。
其中,gx和gy分别代表在水平方向和垂直方向的梯度;
进一步的,步骤6中首先对图像语义特征进行两次1×1的卷积得到Fkey和Fvalue,同样对暗通道特征进行一次1×1的卷积得到Fquery;然后将这些特征维度变换为其中C=128,N为像素的数量;对Fkey和Fquery作矩阵相乘并应用SoftMax函数得到相似性特征图F;接着,再将相似性特征图F与特征Fvalue作矩阵相乘并与图像语义特征相加得到最终的特征图。
进一步的,步骤1中,为了增加云检测网络的在不同传感器迁移性,先将原始训练影像数据先输入到通道自适应模块,得到输出的三通道特征图,然后再输入到编码器网络,具体实现过程如下:
对于C个波段的多光谱影像Ic,对其进行如下变换:
f({I1,…,Ic})=g(h(I1),…,h(Ic))#(5)
其中函数h为一个简单的卷积网络,g为一个对称函数;
如果函数h为一个卷积层,g为级联操作再在通道维度取最大值池化,则可以表示为:
f=max(cat(conv(I1),…,conv(Ic)))#(6)
fin=conv(cat(f1,…,fN))#(7)。
进一步的,函数h还包括实例归一化与和残差卷积的组合。
与现有技术相比,本发明的优点和有益效果:本发明提出的基于暗通道特征引导的轻量级卫星影像云检测方法,采用了轻量级的骨干网络作为编码器;受到暗通道先验的启发,本发明融入了暗通道引导的上下文聚合模块增强影像特征,进而使得云检测结果更加精确;为了增强网络在不同卫星传感器之间的迁移能力,提出了一个通道自适应模块用来处理不同卫星传感器波段数量不一致的情况。
附图说明
图1:本发明设计的方法整体网络结构图;
图2:本发明设计的通道自适应模块结构图;
图3:本发明的方法的可视化结果;(a)假彩色影像(b)真值(c)Fmask(d)基线方法(e)PPM(f)ASPP(g)non-local(h)dual attention(i)本发明方法。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1本发明设计的方法整体网络结构图,本发明提供的一种基于变换一致性正则化的遥感影像深度网络半监督语义分割方法包括以下步骤:
步骤1:本发明设计的方法整体网络结构图如图1所示,首先将训练影像数据输入到编码器网络中提取深层特征,为了使整个网络结构轻量化,这里编码器网络选用了MobileViT。MobileViT包含4个阶段,因而可以获取其4个阶段的特征{F1,F2,F3,F4}。
步骤2:将步骤1得到的4个特征进行级联操作得到图像语义特征Fsem。
步骤3:将步骤1得到的4个特征输入到多尺度暗通道提取器模块(见图1)中,该模块同时利用编码器网络提取的低级的细节特征(即F1和F2)和高级的语义特征(即F3和F4)去预测暗通道。为了减小特征维度,在该模块中4个阶段的特征分别用1×1的卷积映射到另一个空间得到4个新的特征。
其中,gx和gy分别代表在水平方向和垂直方向的梯度,n表示张量gx的元素个数。
步骤5:将步骤3计算得到的4个特征进行级联操作得到暗通道特征Fdark。
步骤6:将步骤2得到的图像语义特征Fsem和步骤5得到的暗通道特征Fdark输入到暗通道引导的上下文聚合模块(见图1)中得到最终的特征图。详细地,首先对图像语义特征进行两次1×1的卷积得到Fkey和Fvalue,同样对暗通道特征进行一次1×1的卷积得到Fquery。然后将这些特征维度变换为其中C=128,N为像素的数量。对Fkey和Fquery作矩阵相乘并应用SoftMax函数得到相似性特征图F。接着,再将相似性特征图F与特征Fvalue作矩阵相乘并与图像语义特征相加得到最终的特征图。
步骤8:为了增加云检测网络的在不同传感器迁移性,在尽量不减少当前训练数据集上的性能的前提下,提出一个通道自适应模块,如图2所示。将原始训练影像数据在输入网络前先输入到通道自适应模块,得到输出的三通道特征图,最后再输入到预训练模型中。详细地,对于C个波段的多光谱影像IC,对其进行如下变换:
f({I1,…,Ic})=g(h(I1),…,h(Ic))#(5)
其中函数h为一个简单的网络如一个卷积层,g为一个对称函数。
如果函数h为一个卷积层,g为级联操作再在通道维度取最大值池化,则可以表示为:
f=max(cat(conv(I1),…,conv(Ic)))#(6)
fin=conv(cat(f1,…,fN))#(7)
经过实验,将函数h采用了实例归一化与和残差卷积的组合。
步骤9:通过梯度下降算法进行反向传播并更新网络的参数θ。
步骤10:步骤1至9,反复迭代,直到训练结束。
步骤11:在测试阶段,设置一个窗口在影像上滑动,将每个窗口的影像块输入到网络中得到每个窗口的预测结果,最后得到遥感影像的分割结果。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于暗通道特征引导的轻量级卫星影像云检测方法,其特征在于,包括以下步骤:
步骤1:首先将训练影像数据输入到编码器网络中提取不同层次的多个特征;
步骤2:将步骤1得到的多个特征进行级联操作得到图像语义特征Fsem;
步骤3:将步骤1得到的多个特征输入到多尺度暗通道提取器模块中,得到新的特征;
步骤5:将步骤3计算得到的新的特征进行级联操作得到暗通道特征Fdark;
步骤6:将步骤2得到的图像语义特征Fsem和步骤5得到的暗通道特征Fdark输入到暗通道引导的上下文聚合模块中得到最终的特征图;
步骤8:通过梯度下降算法进行反向传播并更新网络的参数;
步骤9:步骤1至8,反复迭代,直到训练结束,得到用于预测遥感影像分分割结果的模型;
步骤10:在测试阶段,设置一个窗口在影像上滑动,将每个窗口的影像块输入到模型中得到每个窗口的预测结果,最后得到遥感影像的分割结果。
2.根据权利要求1所述的基于暗通道特征引导的轻量级卫星影像云检测方法,其特征在于:步骤1中编码器网络选用MobileViT。
3.根据权利要求1所述的基于暗通道特征引导的轻量级卫星影像云检测方法,其特征在于:步骤3中多尺度暗通道提取器模块包括多个1×1的卷积层,用于将步骤1中的多个特征映射到另一个空间得到新的特征。
6.根据权利要求1所述的基于暗通道特征引导的轻量级卫星影像云检测方法,其特征在于:步骤1中,为了增加云检测网络的在不同传感器迁移性,先将原始训练影像数据先输入到通道自适应模块,得到输出的三通道特征图,然后再输入到编码器网络,具体实现过程如下:
对于C个波段的多光谱影像IC,对其进行如下变换:
f({I1,...,Ic})=g(h(I1),...,h(Ic))#(5)
其中函数h为一个简单的卷积网络,g为一个对称函数;
设置函数h为一个卷积层,g为级联操作再在通道维度取最大值池化,则可以表示为:
f=max(cat(conv(I1),...,conv(Ic)))#(6)
fin=conv(cat(f1,...,fN))#(7)。
7.根据权利要求6所述的基于暗通道特征引导的轻量级卫星影像云检测方法,其特征在于:函数h还包括实例归一化与和残差卷积的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270241.9A CN115661677A (zh) | 2022-10-18 | 2022-10-18 | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270241.9A CN115661677A (zh) | 2022-10-18 | 2022-10-18 | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661677A true CN115661677A (zh) | 2023-01-31 |
Family
ID=84986662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211270241.9A Pending CN115661677A (zh) | 2022-10-18 | 2022-10-18 | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611494A (zh) * | 2024-01-24 | 2024-02-27 | 北京理工大学 | 一种全色遥感图像薄云去除方法 |
-
2022
- 2022-10-18 CN CN202211270241.9A patent/CN115661677A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611494A (zh) * | 2024-01-24 | 2024-02-27 | 北京理工大学 | 一种全色遥感图像薄云去除方法 |
CN117611494B (zh) * | 2024-01-24 | 2024-04-30 | 北京理工大学 | 一种全色遥感图像薄云去除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191736B (zh) | 基于深度特征交叉融合的高光谱图像分类方法 | |
CN111914907B (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN111259828B (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN112836713A (zh) | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 | |
CN111860351B (zh) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 | |
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN112949416B (zh) | 一种监督的高光谱多尺度图卷积分类方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN115527123B (zh) | 一种基于多源特征融合的土地覆被遥感监测方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN115457396B (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
CN116309070A (zh) | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 | |
CN114120036A (zh) | 一种轻量化的遥感图像云检测方法 | |
CN114494821A (zh) | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN114494851A (zh) | 一种基于多时相遥感影像差异信息的滑坡提取方法 | |
CN113312993A (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN112818920A (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
CN107766810B (zh) | 一种云、影检测方法 | |
CN114943893A (zh) | 一种土地覆盖分类的特征增强网络 | |
CN113408398A (zh) | 基于通道注意力及概率上采样的遥感图像云检测方法 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN117830788B (zh) | 一种多源信息融合的图像目标检测方法 |
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 |