论文部分内容阅读
遥感影像处理中的云层检测是在众多遥感图像处理工作之前的关键一步,对气象预报、军事有重要意义。当前传统的云层检测算法是基于物理模型的点对点模式的检测算法,这一类算法依靠辐射传输模型的建模,而且在对云的检测中大量的用到人为设置的阈值判别法,阈值的选取对云层检测的精度影响较大。传统物理模型算法对云进行点对点的检测,这种检测模式只不能获得空间上的纹理结构特征。为了改善传统算法的这些缺点,本文研究一种自动提取特征并对遥感影像进行自动云层检测的算法。深度学习近几年来在图像、语音、文本等领域取得了显著的成绩。卷积神经网络是应用广泛的深度学习模型,对二维图像具有良好的表现能力,能够自动的学习更复杂的非线性表示,表现样本更本质的特征,因此采用卷积神经网络实现遥感图像云层检测。因此,采用深度学习实现卫星遥感图像的云层检测有望提高云层检测的性能。在实现深度学习云层检测算法过程中,首先,利用Himawari 8卫星遥感数据建立了训练集和测试集数据库。针对遥感图像云层检测,基于卷积提取特征和多尺度综合特征的原则,设计了四种不同的卷积神经网络(FCN原始网络Cloud＿FCN、FCN尺度优化网络Cloud＿M-FCN、Res Net网络Cloud＿Resnet、小型化Res Net网络Cloud＿S-Resnet),采用卷积层、激活层、最大池化层等结构提取卫星遥感图像的特征,对提取到的不同尺度的特征信息进行上采样和融合,并最终进行像素级的分割判识。Cloud＿FCN参考经典的FCN(全卷积网络)语义图像分割的网络方案实现云层检测分割的过程;Cloud＿M-FCN在Cloud＿FCN的基础上融合更多细节尺度特征以改善细节分割能力;Cloud＿Resnet则加强了特征提取的模块,用更复杂的特征提取单元替代单一的卷积;Cloud＿S-Resnet是对Cloud＿Resnet的简化,通过删减了一些层降低了卷积神经网络的感受野,来实现与Cloud＿Resnet相同的云层检测功能。为了评价所提出算法的性能,在Caffe平台上进行实验,使用训练集和测试集数据库对设计的4类网络结构进行训练和测试,最终实现比传统物理模型算法更高的检测效率和较高的检测正确率。通过对不同网络结果的对比得出,增加局部尺度特征信息,降低感受野大小以及排除干扰类别的训练,将有利于卷积神经网络进行云层检测。