CN116129280B - 一种遥感影像雪检测的方法 - Google Patents

Abstract

本发明公开了一种遥感影像的雪检测方法，包括以下步骤：S1获取数据集；S2将数据集分为第一影像集和第二影像集，对第一影像集进行雪区域勾画，得到勾画样本集；S3提取第二影像集中各影像的光谱特征和纹理特征，融合后组成特征向量；S4利用支持向量机对筛选出含雪样本；S5将处理后的含雪的样本划分为训练集和验证集；S6将训练集输入轻量级HRNET模型中，对模型迭代训练，筛选出难样本；S7将难样本加入第一影像集并转至步骤S2，直至难样本数量为0，且达到收敛条件，得到训练后的模型，执行步骤S8；S8利用验证集对训练后的模型进行验证和评价；S9利用验证和评价后的模型对遥感影像进行雪检测。该方法对遥感影像进行雪检测能够兼具较高的检测精度和效率。

Description

一种遥感影像雪检测的方法

技术领域

本发明属于图像数据处理领域，尤其涉及一种遥感影像雪检测的方法。

背景技术

根据国际卫星雪气候计划流量数据提供的全球雪量数据显示，在某些特定的高原地区，常年被雪覆盖，造成光学遥感卫星影像中有大量雪区域存在。一方面，雪遮挡导致地物信息缺失，对目标识别、影像分类等处理产生负面影响，降低了遥感影像的使用价值；另一方面，对气象学者而言，通过研究雪的分布可以发现极端气候现象及其变化规律，遥感影像中的雪区域具有不可替代的使用价值。因此，雪检测已成为光学遥感卫星影像处理中非常重要的内容。

当前遥感卫星影像中的精确雪检测仍面临巨大挑战。其一，与传统影像相比，遥感卫星影像复杂度更高，分析难度较大；其二，与普通目标相比，雪具有不同的形状和类型，光谱差异较大；其三，异物同谱现象也给雪检测增加了难度。因此，一直以来雪检测的准确性和自动化程度都不高。

目前的雪检测方法主要分为阈值法、纹理分析法和统计学方法三大类。阈值法的关键在于阈值的选取，随着雪检测精度要求的提高，雪检测使用的阈值很难确定。纹理分析法本质是利用了目标物内部属性的相似性和目标物之间边界的不连续，但雪的形态复杂，很多时候其边界也不清晰，纹理分析难度很大。统计学方法主要分为统计方程法和聚类分析法，面对雪这样一个复杂目标，很难建立可靠的模型。上述雪检测方法虽然可以实现粗略的雪检测，但是很难得到准确的雪分布结果。提高遥感影像中雪的检测测精度已成为许多遥感影像应用的目标。因此，提高光学卫星影像遥感影像雪检测精度具有十分重要的意义。

为了提高遥感形象雪检测精度，在现有雪检测的网络模型开发过程中，训练网络模型通常需要大量的已标注训练样本，然而获取训练样本是一个耗时耗力的过程，导致人工成本较高；此外模型迁移性差，某一地区某一年份训练的模型往往难以应用于其他地区或其他年份。导致模型训练效果不佳，雪检测精度不高，检测效率低。

因此，为了解决目前存在的现有的雪检测方法中对已标注训练样本依赖性高，雪检测效率低、精度低等问题，亟需构建一种遥感影像的雪检测方法。

发明内容

基于现有技术存在的技术问题，本发明提供一种遥感影像的雪检测方法，充分利用遥感影像库中的影像资源，对少量样本进行有限的感兴趣区域勾画，大幅度降低模型训练的勾画标注成本；利用支持向量机筛选出含雪样本，再通过含雪样本对轻量级HRNET模型迭代训练模型，选取最优模型对待检测光学遥感影像进行雪检测，通过本发明的方法进行雪检测能够获得较高的检测精度和效率。

本发明提供一种遥感影像的雪检测方法，包括：

S1 在遥感影像库中，根据元数据筛选出目标区域的遥感影像，作为数据集；

S2 将数据集分为第一影像集和第二影像集，对第一影像集进行雪区域勾画，得到勾画样本集；

S3 提取第二影像集中各影像的光谱特征和纹理特征，将光谱特征和纹理特征融合后组成特征向量；

S4 利用勾画样本集和特征向量训练支持向量机，将数据集输入训练后的支持向量机中，对数据集进行二分类，得到含雪样本集；

S5 对含雪样本集进行后处理，按照预设比例将处理后的含雪样本集划分为训练集和验证集，其中，训练集和验证集中均包括勾画样本和未勾画样本；

S6 将训练集输入轻量级HRNET模型中，对模型进行迭代训练，得到训练结果，根据训练结果从训练集中筛选出难样本；

S7 将难样本加入第一影像集并转至步骤S2，直至难样本数量为0，且达到收敛条件，得到训练后的模型，执行步骤S8；

S8 利用验证集对训练后的模型进行验证和评价；

S9 利用经验证和评价后的结果模型对待检测遥感影像进行雪检测，得到雪掩模影像。

于本发明一具体实施例中，步骤S6中所述模型为HRNET-w18-orc。

于本发明一具体实施例中，步骤S6中对模型进行迭代训练的过程包括：

S61 将训练集中勾画样本输入模型，对模型进行训练，得到有标签的模型，所述模型中最后一层输出的结果作为预测概率；

S62 将训练集中未勾画样本输入模型中，当得到的预测概率大于预设阈值时，将预测概率作为可信伪标签；

S63 将含可信伪标签的未勾画样本加入勾画样本中，联合迭代训练模型；

S64 构建模型的损失函数，计算预测概率与真实标签的差值，得到损失值，根据损失

更新模型，所述损失函数为：

其中，c_i表示第i个像素的真实标签，

表示第i个像素真实标签对应的预测概率，/>

为c_i的交叉熵，/>

=0.8，/>

，K_i表示非真实标签输出的对应概率。

于本发明一具体实施例中，步骤S6中对所述模型进行迭代训练时，使用指数移动平均值来更新模型的网络参数，对所述网络参数进行指数平均数加权计算，计算方法为：

其中，θ_t表示模型第t次迭代的模型网络参数，M_t表示模型第t次迭代的参数移动平均数，M_t-1表示模型第t-1次迭代的参数移动平均数，β表示加权权重值。

于本发明一具体实施例中，步骤S2中所述勾画包括点勾画、线勾画、区域模糊勾画。

于本发明一具体实施例中，步骤S3中提取的第二影像集中各影像的光谱特征包括灰度均值、灰度方差、一阶差分、直方图信息熵，计算过程如下：

计算第二影像集中各影像的灰度均值W₁，计算公式为：

其中，f(i,j)为(i,j)处的灰值，在V=S×M中，S为第二影像集的宽，M为未第二影像集的高；

计算第二影像集中各影像的灰度方差W₂，计算公式为：

；

计算第二影像集中各影像的一阶差分W₃，计算公式为：

；

计算第二影像集中各影像的直方图信息熵W₄，计算公式为：

其中，h[g]是第二影像集的直方图，h[g](i)是在某灰度级(i)下的像素所占整个影像的百分比，S为最大灰度级。

于本发明一具体实施例中，步骤S3中提取的第二影像集中各影像的纹理特征包括对比度、相关性、熵、逆距差，计算过程如下：

计算第二影像集中各影像的对比度W₅，计算公式为：

其中，p(i,j)为(i,j)处的对比度，S为第二影像集的宽，M为第二影像集的高；

计算第二影像集中各影像的相关性W₆，计算公式为：

其中，

，/>

；

计算第二影像集中各影像的熵W₇，计算公式为：

；

计算第二影像集中各影像的逆距差W₈，计算公式为：

。

于本发明一具体实施例中，步骤S5中所述后处理包括众数滤波、边界清理、删除碎斑、栅格矢量化。

于本发明一具体实施例中，步骤S8包括：

S81 对训练过程中生成的精度曲线图进行分析，判断其是否达到精度阈值,如若不能达到精度阈值，则继续迭代训练；

S82 对验证集的分类结果进行精度评价，判断其是否满足精度评价阈值，如若不能达到精度评价阈值，则调整参数，继续训练；

S83 同时达到精度阈值和精度评价阈值时，得到结果模型。

本发明的有益效果为：

（1）通过对样本进行有限的感兴趣区域勾画，与大量的未勾画样本来训练模型，充分利用遥感影像库中的影像资源，大幅度降低模型训练的勾画标注成本。

（2）利用训练后的支持向量机筛选出含雪样本，利用含雪样本对轻量级HRNET模型迭代训练，利用验证和评价后的模型对待检测光学遥感影像进行雪检测。

（3）利用自训练和伪标签半监督训练技术，实现对未勾画含雪样本的自训练，形成对模型的持续迭代和样本优化，实现一体化的“样本-训练-预测”迭代式训练技术。

（4）在模型迭代训练中，使用指数移动平均值来更新模型的网络参数，对所述网络参数进行指数平均数加权计算，使得更新得到的网络参数变得更加平滑，不会受到某次异常数据的影响，提升模型的鲁棒性。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种遥感影像的雪检测方法的流程示意图

图2为本发明筛选含雪的样本方法的流程示意图

图3为本发明对模型进行迭代训练方法流程示意图

图4为本发明中HRNet模型的网络结构示意图；

图5为本发明中HRNet模型的网络卷积运算的原理示意图；

图6为本发明中HRNe模型t的网络特征整合的原理示意图；

图7a为本发明中待检测遥感影像;

图7b为本发明中对应检测出的雪掩膜影像。

具体实施例

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的实施例中提供一种遥感影像的雪检测方法，具体步骤如图1所示，对少量样本进行有限的感兴趣区域勾画，与大量的未勾画样本共同训练模型，充分利用遥感影像库中的影像资源，大幅度降低模型训练的勾画标注成本；利用支持向量机筛选出含雪样本，如图2所示，通过含雪样本对高分辨网络（HRNET）模型迭代训练选取最优模型，使用最优模型对待检测光学遥感影像进行雪检测，如图3所示。通过本发明的方法进行雪检测能够获得较高的检测精度和效率。

为了实现上述目的，本发明采用如下技术方案，请参照图1，图1为本发明一种遥感影像的雪检测方法实施例的流程示意图，该方法包括以下步骤：

S1 在遥感影像库中，根据元数据筛选出目标区域的遥感影像，作为数据集；

S2 将数据集分为第一影像集和第二影像集，对第一影像集进行雪区域勾画，得到勾画样本集；第二影像集均为未勾画样本；

具体地，在遥感影像库筛选来自于中处于河北、山东、北京地段的在冬季12月至3月的遥感影像，确定目标区域，将该目标区域中的所有影像，作为数据集；将数据集中的遥感影像降采样为1024×1024像素8位bmp格式缩略图，对缩略图进行影像切分。若遥感影像为全色影像，则直接采取降采样处理，若遥感影像为多光谱影像，则采取RGB三波段进行降采样。将全色影像切分为32×32的样本块，将多光谱影像切分为16×16的影像块，选取300例遥感影像，其中第一影像集为点勾画样本有90例，第二影像集为未勾画样本有210例。

请参照图2，图2为本发明筛选含雪的样本方法实施例的流程示意图，该方法包括以下步骤：

S3 提取第二影像集中各影像的光谱特征和纹理特征，将光谱特征和纹理特征融合后组成特征向量；

由雪的辐射特性及空间分布特性分析可知，雪在可见光波段及近红外波段上具有较高的反射系数，因此，影像中的雪层区域往往虽现高亮度且连续分布的特性，而大部分自然地物在这些波段上反射率较低，在高分辨率遥感影像上表现为亮度较低。此外，云、雪、雾和地物在灰度信息上存在许多不同之处，因此本发明选用光谱特征中的灰度特征将雪区域与背景地物粗略提取出来。

从雪的纹理特征来看，雪像素在影像上表现出灰度连续、纹理均一、细节较少等特征，而地物像素则具有灰度突变、纹理粗糙、细节丰富等特征。随着影像检测识别技术的日趋成熟和遥感影像分辨率的提高，本发明将光谱特征中的灰度特征与纹理特征结合用于识别雪。

具体地，提取未勾画样本集中各影像的灰度特征和纹理特征矢量值形成8维特征向量，具体包括以下步骤：

其中，步骤S3中提取的第二影像集中各影像的光谱特征包括灰度均值、灰度方差、一阶差分、直方图信息熵，计算过程如下：

计算第二影像集中各影像的灰度均值W₁，计算公式为：

其中，f(i,j)为(i,j)处的灰值，在V=S×M中，S为第二影像集的宽，M为未第二影像集的高。

计算第二影像集中各影像的灰度方差W₂，计算公式为：

。

计算第二影像集中各影像的一阶差分W₃，计算公式为：

。

计算第二影像集中各影像的直方图信息熵W₄，计算公式为：

其中，h[g]是第二影像集的直方图，h[g](i)是在某灰度级(i)下的像素所占整个影像的百分比，S为最大灰度级。

其中，步骤S3中提取的第二影像集中各影像的纹理特征包括对比度、相关性、熵、逆距差，计算过程如下：

计算第二影像集中各影像的对比度W₅，计算公式为：

其中，p(i,j)为(i,j)处的对比度，S为第二影像集的宽，M为第二影像集的高。

计算第二影像集中各影像的相关性W₆，计算公式为：

其中，

，/>

。

计算第二影像集中各影像的熵W₇，计算公式为：

。

计算第二影像集中各影像的逆距差W₈，计算公式为：

。

S4 利用勾画样本集和特征向量训练支持向量机，将数据集输入训练后的支持向量机中，对数据集进行二分类，得到含雪样本集；

具体地，利用组成的特征向量和已勾画样本集采用RBF核函数对支持向量机进行训练，在数据集中筛选出含雪样本集，剔除不含雪样本。

RBF核函数为：

其中，||x_i-x_j||表示空间中任意两点x_i和x_j之间的欧氏距离，γ为核参数。

S5 对含雪样本集进行后处理，按照预设比例将处理后的含雪样本集划分为训练集和验证集，其中，训练集和验证集中均包括勾画样本和未勾画样本；

具体地，对含雪样本集进行后处理的步骤包括众数滤波、边界清理、删除碎斑、栅格矢量化。将含雪样本集中80%作为训练集，20%作为验证集，训练集和验证集中均包括勾画样本和未勾画样本。

S6 将训练集输入轻量级HRNET模型中，对模型进行迭代训练，得到训练结果，根据训练结果从训练集中筛选出难样本；

图3为HRNet网络结构示意图，HRNet网络为并行连接网络结构，将高分辨率与低分辨率的特征图层相融合，并保持高分辨率的特征图层，有效保留了图像的几何信息，并通过重复整合同级别、多层次的特征图层来完成多尺度特征整合操作，能够显著增强模型对上下文特征提取的能力。

HRNet以高分辨率子网作为第一阶段，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，将多分辨率子网进行连接，通过在并行的多分辨率子网络上反复交换信息来实现多尺度的重复融合。

HRNet的最大特点为保持高分辨率特征图层的同时，进行多级别的特征整合。其原理如图4和图5所示。其中，图4为本发明实施例采用的HRNet的网络卷积运算的原理示意图，图5为本发明实施例采用的HRNet的网络特征整合的原理示意图。

图3卷积运算的计算过程可以表达为：

Y＝H(X)；

其中，H(x)表示对特征图层进行一次卷积计算。其中X为特征图层，由不同层级特征组成，即由X1至X4整合而成。Y由Y1至Y4整合而成，是对X特征图层进行卷积计算的结果。

图4特征整合的形式表达为：

Y1＝H1(concat(X1，…，X4))；

Y2＝H2(concat(X1，…，X4))；

Y3＝H3(concat(X1，…，X4))；

Y4＝H4(concat(X1，…，X4))；

将公式合并后，其计算过程实际上与卷积运算的过程是相等的。即图5中的特征整合与对特征图层进行一次卷积运算是等价的。这样可以减少不同层级特征整合时的语义差距。HRNet网络在这个基础上，对除X1和Y1之外的特征图层进行降采样，既可以减少模型的计算量，又能对特征进行进一步的语义概括，提取图像的多级别特征，特征图层的尺寸减小，则语义特征越明显。

请参照图6，图6为本发明对模型进行迭代训练方法实施例的流程示意图，首先基于训练集中的勾画样本对模型进行训练，本实施例中勾画含雪样本采用点勾画的方式，勾画样本具有真实标签的含雪样本，对模型训练后得到有标签的模型，该模型已具备初步的雪检测能力，但目前已有的勾画样本的数量不足，因此可以利用该模型对大量的未勾画样本进行检测，得到未勾画样本的可信伪标签，将其将入到勾画样本中，基于勾画样本及其真实标签，对该模型进行多轮迭代训练，具体步骤包括：

S61 将训练集中勾画样本输入模型，对模型进行训练，得到有标签的模型，所述模型中最后一层输出的结果作为预测概率；

S62 将训练集中未勾画样本输入模型中，当得到的预测概率大于预设阈值时，将预测概率作为可信伪标签；

S63 将含可信伪标签的未勾画样本加入勾画样本中，联合迭代训练模型；

S64 构建模型的损失函数，计算预测概率与真实标签的差值，得到损失值，根据损失

更新模型，所述损失函数为：

其中，c_i表示第i个像素的真实标签，

表示第i个像素真实标签对应的预测概率，/>

为c_i的交叉熵，/>

=0.8，/>

，K_i表示非真实标签输出的对应概率。

每次迭代训练时，将当前训练的训练集中勾画样本输入有标签的模型中，得到训练集中各样本的预测概率，该预测概率包括对应像素为雪像素的概率以及对应像素为非雪像素的概率。

将未勾画样本输入所述模型进行预测，利用模型对未勾画样本进行预测，选出预测概率大于预设阈值的可信伪标签；将可信伪标签的未勾画样本加入到勾画样本的训练集中，得到更新的已勾画雪样本，迭代训练模型。根据预测概率与真实标签进行损失计算，得到模型训练的损失值

；根据损失值更新模型，得到当前次迭代训练后的模型。

本发明利用自训练和伪标签半监督训练技术，实现对未勾画含雪样本的自训练，形成对模型的持续迭代和样本优化，实现一体化的“样本-训练-预测”迭代式训练技术。

为提高模型的测试指标并增加其鲁棒性，使用指数移动平均值更新网络参数。采用指数移动平均值来估计网络参的局部均值，从而使得第t次迭代的网络参不只是取决当前的网络参，而是对第t次附近进行加权平均，使得更新得到的网络参数变得更加平滑，不会受到某次异常数据的影响，提升模型的鲁棒性。

具体为在对模型进行迭代训练时，使用指数移动平均值来更新模型的网络参数，对所述网络参数进行指数平均数加权计算，计算方法为：

其中，θ_t表示模型第t次迭代的模型网络参数，M_t表示模型第t次迭代的参数移动平均数，M_t-1表示模型第t-1次迭代的参数移动平均数，β表示加权权重值。

S7 将难样本加入第一影像集并转至步骤S2，直至难样本数量为0，且达到收敛条件，得到训练后的模型，执行步骤S8；

具体地，对可信伪标签进行分析挖掘获取标签中的错例与难例，将错例与难例样本扩充到训练集中，获取更新的训练样本集，转至步骤S2，直至不再出现难样本，即不再出现错例与难例，同时模型的损失值逐渐减小，趋于平稳，则达到模型收敛条件，模型训练结束，得到训练后的模型。

S8 利用验证集对训练后的模型进行验证和评价；

在训练过程中或者训练结束后对训练得到的模型精度进行验证和评价，步骤包括：

S81 对训练过程中生成的精度曲线图进行分析，判断其是否达到精度阈值，如若不能达到精度阈值，则继续迭代训练；

S82 对验证集的分类结果进行精度评价，判断其是否满足精度评价阈值，如若不能达到精度评价阈值，则调整参数，继续训练；

S83 同时达到精度阈值和精度评价阈值时，得到结果模型。

具体为对训练过程中生成的精度曲线图进行分析，查看是否出现过拟合现象，检验精度是否满足要求。阈值一般设置为0.94，大于0.94达标，小于0.94继续迭代；对检测数据集的分类结果进行精度评价，查看混淆矩阵；分析精度评价结果，阈值设置一般为0.92，满足要求则训练结束，否则调整参数，继续训练。

S9 利用经验证和评价后的结果模型对待检测遥感影像进行雪检测，得到雪掩模影像。

请参阅图7，图7a为待检测遥感影像，图7b为对应检测出的雪掩膜影像，可以看出通过本发明提供的一种遥感影像的雪检测方法，对遥感影像进行雪检测能够获得较高的检测精度和效率。

区别于现有技术，本发明提供的一种遥感影像的雪检测方法，通过对样本进行有限的感兴趣区域勾画，利用自训练和伪标签半监督训练技术，实现对未勾画含雪样本的自训练，形成对模型的持续迭代和样本优化，充分利用遥感影像库中的影像资源，大幅度降低模型训练的勾画标注成本；利用通过支持向量机进行机器学习，筛选出含雪样本后再输入轻量级HRNET模型迭代训练，在模型迭代训练中，使用指数移动平均值来更新模型的网络参数，提升模型的鲁棒性。通过本发明的方法所得的最优模型对遥感影像进行雪检测能够获得较高的检测精度和效率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种遥感影像雪检测的方法，其特征在于，包括：

S1在遥感影像库中，根据元数据筛选出目标区域的遥感影像，作为数据集；

S2将数据集分为第一影像集和第二影像集，对第一影像集进行雪区域勾画，得到勾画样本集；

S3提取第二影像集中各影像的光谱特征和纹理特征，将光谱特征和纹理特征融合后组成特征向量；

S4利用勾画样本集和特征向量训练支持向量机，将数据集输入训练后的支持向量机中，对数据集进行二分类，得到含雪样本集；

S5对含雪样本集进行后处理，按照预设比例将处理后的含雪样本集划分为训练集和验证集，其中，训练集和验证集中均包括勾画样本和未勾画样本；

S6将训练集输入轻量级HRNET模型中，对模型进行迭代训练，得到训练结果，根据训练结果从训练集中筛选出难样本；

所述模型为HRNET-w18-orc；

S6中对模型进行迭代训练的过程包括：

S61将训练集中勾画样本输入模型，对模型进行训练，得到有标签的模型，所述模型中最后一层输出的结果作为预测概率；

S62将训练集中未勾画样本输入模型中，当得到的预测概率大于预设阈值时，将预测概率作为可信伪标签；

S63将含可信伪标签的未勾画样本加入勾画样本中，联合迭代训练模型；

S64构建模型的损失函数，计算预测概率与真实标签的差值，得到损失值，根据损失值更新模型，所述损失函数为：

其中，c_i表示第i个像素的真实标签，

表示第i个像素真实标签对应的预测概率，

为c_i的交叉熵，q(c_i)＝0.8，/>

k_i表示非真实标签输出的对应概率；

S7将难样本加入第一影像集并转至步骤S2，直至难样本数量为0，且达到收敛条件，得到训练后的模型，执行步骤S8；

S8利用验证集对训练后的模型进行验证和评价；

S9利用经验证和评价后的结果模型对待检测遥感影像进行雪检测，得到雪掩模影像。

2.根据权利要求1所述的一种遥感影像雪检测的方法，其特征在于，步骤S6中对所述模型进行迭代训练时，使用指数移动平均值来更新模型的网络参数，对所述网络参数进行指数平均数加权计算，计算方法为：

M_t＝β·M_t-1+(1-β)·θ_t

其中，θ_t表示模型第t次迭代的模型网络参数，M_t表示模型第t次迭代的参数移动平均数，M_t-1表示模型第t-1次迭代的参数移动平均数，β表示加权权重值。

3.根据权利要求1所述的一种遥感影像雪检测的方法，其特征在于，步骤S2中所述勾画包括点勾画、线勾画、区域模糊勾画。

4.根据权利要求1所述的一种遥感影像雪检测的方法，其特征在于，步骤S3中提取的第二影像集中各影像的光谱特征包括灰度均值、灰度方差、一阶差分、直方图信息熵，计算过程如下：

计算第二影像集中各影像的灰度均值W₁，计算公式为：

其中，f(i,j)为(i,j)处的灰值，在V＝S×M中，S为第二影像集的宽，M为第二影像集的高；

计算第二影像集中各影像的灰度方差W₂，计算公式为：

计算第二影像集中各影像的一阶差分W₃，计算公式为：

计算第二影像集中各影像的直方图信息熵W₄，计算公式为：

其中，h[g]是第二影像集的直方图，h[g](v)是在某灰度级(v)下的像素所占整个影像的百分比，U为最大灰度级。

5.根据权利要求4所述的一种遥感影像雪检测的方法，其特征在于，步骤S3中提取的第二影像集中各影像的纹理特征包括对比度、相关性、熵、逆距差，计算过程如下：

计算第二影像集中各影像的对比度W₅，计算公式为：

其中，p(i,j)为(i,j)处的对比度，S为第二影像集的宽，M为第二影像集的高；

计算第二影像集中各影像的相关性W₆，计算公式为：

其中，

计算第二影像集中各影像的熵W₇，计算公式为：

计算第二影像集中各影像的逆距差W₈，计算公式为：

6.根据权利要求1所述的一种遥感影像雪检测的方法，其特征在于，步骤S5中所述后处理包括众数滤波、边界清理、删除碎斑、栅格矢量化。

7.根据权利要求1所述的一种遥感影像雪检测的方法，其特征在于，步骤S8包括：

S81对训练过程中生成的精度曲线图进行分析，判断其是否达到精度阈值，如若不能达到精度阈值，则继续迭代训练；

S82对验证集的分类结果进行精度评价，判断其是否满足精度评价阈值，如若不能达到精度评价阈值，则调整参数，继续训练；

S83同时达到精度阈值和精度评价阈值时，得到结果模型。

Images