CN116030057B - 一种基于注意力机制的遥感影像能见度估计方法 - Google Patents

Abstract

本发明提供一种基于注意力机制的遥感影像能见度估计方法，属于遥感图像处理领域，首先构建遥感影像能见度估计数据集，对气象站历史数据和影像历史数据进行时空对齐，构成3维立体数据块；其次采用混合高斯模型对3维立体数据块的能见度信息进行曲面拟合，进而对能见度估计数据集进行标注；然后构建能见度估计模型，并引入注意力机制；接着训练能见度估计模型；最后将未参与训练的待评估影像进行遥感影像能见度估计。相较于以往的能见度估计方法，本发明可以在短时间内对广域范围的竖直能见度参数进行估计。

Description

一种基于注意力机制的遥感影像能见度估计方法

技术领域

本发明属于遥感图像处理领域，更具体地涉及一种基于注意力机制的遥感影像能见度估计方法。

背景技术

能见度信息在军事和民用领域均起着重要的作用，是行车安全、货运物流、目标探测、部队行动等多种场景下的重要环境指标。常见的能见度信息获取方式包括能见度探测和能见度估计两种，其中，能见度探测通常通过目测或者仪器进行探测，能见度估计通常通过地面图像或者视频进行估计。能见度目测方法可信度和准确度较低，仪器探测方式无法快速实现大范围的能见度参数测量，现阶段的能见度估计方法普遍是对水平方向的能见度估计，无法获取竖直方向的能见度信息。

为了有效评估竖直方向的能见度指标对遥感目标检测、卫星侦察、航空侦察任务性能的影响，亟需一种短时间内能够对广域范围的竖直能见度进行估计的经济可行的方法。随着遥感技术的发展，卫星数量、遥感图像数据量得到爆炸式增长，遥感图像质量得到大幅提升，使得利用遥感影像进行竖直方向的能见度估计成为可能。

发明内容

本发明的目的是为了能够在短时间内对广域范围的竖直能见度进行估计，提出了一种基于注意力机制的遥感影像能见度估计方法。

本发明采用的技术方案为：

一种基于注意力机制的遥感影像能见度估计方法，包括以下步骤：

步骤1，构建遥感影像能见度估计数据集，获取包含能见度信息的气象站历史数据和遥感影像历史数据，对气象站历史数据和遥感影像历史数据进行时空对齐，将对齐后的遥感影像历史数据作为二维底图，将对齐后的气象站历史数据作为z轴数据，构成3维立体数据块；

步骤2，采用混合高斯模型对3维立体数据块的能见度信息进行曲面拟合，并依据影像数据每幅影像的经纬度对拟合后的曲面进行切分，将切分后的3维曲面沿z轴方向压缩为二维平面，将二维平面作为标注掩膜，掩膜的数值表示能见度参数；

步骤3，构建能见度估计模型，模型包括编码器和解码器，编码器由输入模块、第一卷积模块至第四卷积模块组成，解码器由第五卷积模块至第七卷积模块以及输出模块组成，在第一卷积模块到第七卷积模块之间、第二卷积模块到第六卷积模块之间、第五卷积模块到第七卷积模块之间以及第六卷积模块到第七卷积模块之间设置注意力机制模块；

步骤4，训练能见度估计模型，将遥感影像作为输入，将标注掩膜作为标签，以最小化输出张量与标签之间的欧式距离为目标函数，采用最优化算法及反向传播算法对能见度估计模型中的权重值进行更新；

步骤5，将更新完成后的权重加载至能见度估计模型，将未参与训练的待评估影像作为模型的输入，输出张量即为能见度分布矩阵。

进一步的，步骤1中的3维立体数据块构成方法具体为：

所获取的历史数据采集地点的气候和背景应与待估计影像成像地点的气候和背景一致，时空对齐首先根据成像时间将历史数据分组，在分组后的数据中根据气象站所在位置的经纬度信息将气象站标绘在遥感影像中，然后将气象站采集的能见度信息作为z轴数据，构成3维立体数据块。

进一步的，步骤2中混合高斯模型的高斯模型数量为气象站数量的1/3。

进一步的，步骤3中，输入模块输入的遥感影像，影像大小为832 x 832，第一卷积模块至第三卷积模块均包含2层卷积层和1层池化层，第四卷积模块至第七卷积模块均包含2层卷积层和1层上采样层，第一卷积模块到第七卷积模块之间和第二卷积模块到第六卷积模块之间的注意力机制模块包括通道注意力权重、空间注意力权重以及聚合操作，第五卷积模块到第七卷积模块之间和第六卷积模块到第七卷积模块之间设置的注意力机制模块包括通道注意力权重和聚合操作，输出模块输出能见度分布矩阵。

进一步的，步骤4中的训练方法具体为：

将遥感影像作为能见度估计模型的输入，运行模型产生输出，输出张量大小为32x 32，张量中数值为整数且取值范围为[0,64]，将标签的连续取值离散归一化至[0,64]以内，然后计算输出张量与标签之间的欧式距离，优化算法采用Adam算法，学习率设置为0.00001，训练过程中对各卷积模块中卷积层的卷积核权重数值进行更新，同时对注意力机制模块中的通道注意力权重和空间注意力权重进行更新。

进一步的，步骤5中输出张量经过拉普拉斯平滑处理，得到平滑曲面，用平滑曲面的z轴数值表示遥感影像中每个像素点的能见度值。

本发明相对于现有技术的优点为：

(1)本发明采用遥感影像进行能见度的估计，不再需要部署大量探测仪器，节省了时间成本和人力成本；

(2)本发明采用深度学习技术对遥感影像进行能见度估计，能够在短时间内实现对广域范围的能见度估计；

(3)本发明在能见度估计模型中引入注意力机制，使得能见度估计模型快速收敛并且提高模型的准确率。

附图说明

图1为本发明对气象站历史数据和影像历史数据进行时空对齐的示意图。

图2为本发明采用混合高斯模型对能见度信息进行曲面拟合的结果示意图。

图3为本发明提出的能见度估计模型结构。

实施方式

下面结合附图对本发明的具体实施方式和基本原理做进一步说明。

一种基于注意力机制的遥感影像能见度估计方法，包括以下步骤：

步骤1，构建遥感影像能见度估计数据集，获取包含能见度信息的气象站历史数据和遥感影像历史数据，所获取的历史数据采集地点的气候、背景应与待估计影像成像地点的气候、背景一致，对气象站历史数据和影像历史数据进行时空对齐，如图1所示，时空对齐首先根据成像时间将历史数据分组，其次在分组后的数据中根据气象站所在位置的经纬度信息将气象站标绘在遥感影像中，然后将气象站采集的能见度信息作为z轴数据，构成3维立体数据块。

步骤2，遥感影像能见度估计数据集标注，采用混合高斯模型对3维立体数据块的能见度信息进行曲面拟合，拟合结果示意如图2所示，其中混合高斯模型的高斯模型数量为气象站数量的1/3，依据影像数据每幅影像的经纬度对拟合后的曲面进行切分，将切分后的3维曲面沿z轴方向压缩为二维平面，将二维平面作为标注掩膜，掩膜的数值表示能见度参数；

步骤3，构建能见度估计模型，如图3所示，模型包括编码器和解码器，编码器由输入模块Input、卷积模块1至卷积模块4（Block_1-Block_4）组成，解码器由卷积模块5至卷积模块7（Block_5-Block_7）以及输出模块Output组成，在卷积模块1到卷积模块7之间、卷积模块2到卷积模块6之间、卷积模块5到卷积模块7之间以及卷积模块6到卷积模块7之间设置注意力机制模块，输入模块具体指待输入的遥感影像，影像大小为832×832，卷积模块1至卷积模块3均包含2层卷积层和1层池化层，卷积模块4至卷积模块7均包含2层卷积层和1层上采样层，卷积模块1到卷积模块7之间和卷积模块2到卷积模块6之间的注意力机制模块包括通道注意力权重和空间注意力权重以及聚合操作，卷积模块5到卷积模块7之间和卷积模块6到卷积模块7之间设置注意力机制模块包括通道注意力权重和聚合操作，输出模块输出能见度分布矩阵；

步骤4，训练能见度估计模型，将遥感影像作为输入，将标注掩膜作为标签，以最小化输出张量与标签之间的欧式距离为目标函数，采用最优化算法及反向传播算法对能见度估计模型中的权重值进行更新，将遥感影像作为能见度估计模型的输入，运行模型使其产生输出，输出张量大小为32×32，张量中数值为整数且取值范围为[0,64]，在计算输出张量与标签之间的欧式距离之前，需将标签的连续取值离散归一化至[0,64]以内，优化算法采用Adam算法，学习率设置为0.00001，对各卷积模块中卷积层的卷积核权重数值进行更新，同时对注意力机制模块中的通道注意力权重和空间注意力权重进行更新，聚合操作、池化操作、上采样操作无需进行权重更新；

步骤5，遥感影像能见度估计，将更新完成后的权重加载至能见度估计模型，将未参与训练的待评估影像作为模型的输入，输出张量需经过拉普拉斯平滑处理，得到平滑曲面，用曲面的z轴数值表示遥感影像中每个像素点的能见度值。

本发明提供一种能够在短时间内对广域范围的竖直能见度进行估计的方法，采用遥感影像进行能见度的估计，不再需要部署大量探测仪器，节省了时间成本和人力成本；在能见度估计模型中引入注意力机制，使得能见度估计模型快速收敛并且提高模型的准确率。

Claims (6)

1.一种基于注意力机制的遥感影像能见度估计方法，其特征在于，包括以下步骤：

步骤1，构建遥感影像能见度估计数据集，获取包含能见度信息的气象站历史数据和遥感影像历史数据，对气象站历史数据和遥感影像历史数据进行时空对齐，将对齐后的遥感影像历史数据作为二维底图，将对齐后的气象站历史数据作为z轴数据，构成3维立体数据块；

步骤2，采用混合高斯模型对3维立体数据块的能见度信息进行曲面拟合，并依据影像数据每幅影像的经纬度对拟合后的曲面进行切分，将切分后的3维曲面沿z轴方向压缩为二维平面，将二维平面作为标注掩膜，掩膜的数值表示能见度参数；

步骤3，构建能见度估计模型，模型包括编码器和解码器，编码器由输入模块、第一卷积模块至第四卷积模块组成，解码器由第五卷积模块至第七卷积模块以及输出模块组成，在第一卷积模块到第七卷积模块之间、第二卷积模块到第六卷积模块之间、第五卷积模块到第七卷积模块之间以及第六卷积模块到第七卷积模块之间设置注意力机制模块；

步骤4，训练能见度估计模型，将遥感影像作为输入，将标注掩膜作为标签，以最小化输出张量与标签之间的欧式距离为目标函数，采用最优化算法及反向传播算法对能见度估计模型中的权重值进行更新；

步骤5，将更新完成后的权重加载至能见度估计模型，将未参与训练的待评估影像作为模型的输入，输出张量即为能见度分布矩阵。

2.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，步骤1中的3维立体数据块构成方法具体为：

所获取的历史数据采集地点的气候和背景应与待估计影像成像地点的气候和背景一致，时空对齐首先根据成像时间将历史数据分组，在分组后的数据中根据气象站所在位置的经纬度信息将气象站标绘在遥感影像中，然后将气象站采集的能见度信息作为z轴数据，构成3维立体数据块。

3.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，步骤2中混合高斯模型的高斯模型数量为气象站数量的1/3。

4.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，步骤3中，输入模块输入的遥感影像，影像大小为832 x 832，第一卷积模块至第三卷积模块均包含2层卷积层和1层池化层，第四卷积模块至第七卷积模块均包含2层卷积层和1层上采样层，第一卷积模块到第七卷积模块之间和第二卷积模块到第六卷积模块之间的注意力机制模块包括通道注意力权重、空间注意力权重以及聚合操作，第五卷积模块到第七卷积模块之间和第六卷积模块到第七卷积模块之间设置的注意力机制模块包括通道注意力权重和聚合操作，输出模块输出能见度分布矩阵。

5.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，步骤4中的训练方法具体为：

将遥感影像作为能见度估计模型的输入，运行模型产生输出，输出张量大小为32 x32，张量中数值为整数且取值范围为[0,64]，将标签的连续取值离散归一化至[0,64]以内，然后计算输出张量与标签之间的欧式距离，优化算法采用Adam算法，学习率设置为0.00001，训练过程中对各卷积模块中卷积层的卷积核权重数值进行更新，同时对注意力机制模块中的通道注意力权重和空间注意力权重进行更新。

6.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，步骤5中输出张量经过拉普拉斯平滑处理，得到平滑曲面，用平滑曲面的z轴数值表示遥感影像中每个像素点的能见度值。

Images