本公开提供了高光谱卫星影像的云量检测方法和装置。所述方法包括：获取待检测的高光谱卫星影像，确定所述高光谱卫星影像的下垫面类型；根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型，将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像；根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，生成云掩膜数据。以此方式，能够降低人工质检的工作量和质检效率，提高高光谱卫星影像数据信息的有效性和数据性，同时提高高光谱卫星影像中的云量检测的准确度。像中的云量检测的准确度。像中的云量检测的准确度。
【技术实现步骤摘要】
高光谱卫星影像中的云量检测方法和装置
[0001]本公开的实施例一般涉及卫星图像处理
，并且更具体地，涉及高光谱卫星影像中的云量检测方法和装置。
技术介绍
[0002]高光谱卫星影像是用很窄而连续的光谱通道对地物持续遥感成像得到的卫星影像。在可见光到短波红外谱段其光谱分辨率高达纳米(nm)数量级，通常具有谱段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，因此高光谱遥感又通常被称为成像光谱遥感。
[0003]高光谱分辨率遥感在电磁波谱的可见光、近红外、中红外和热红外谱段范围内，获取许多非常窄的光谱连续的影像数据的技术。其成像光谱仪可以收集到上百个非常窄的光谱谱段信息。
[0004]相对于传统的低光谱分辨率的遥感技术相比，高光谱遥感在对地观测和环境调查中提供了更为广泛的应用，主要有以下优点：地物的分辨识别能力大大提高和成像通道大大增加。
[0005]由于高光谱卫星影像中存在大量的云，高光谱卫星影像中的云起着不同的作用，因此在进行分析应用前，对高光谱卫星影像进行含云量检测十分必要。
[0006]含云量检测现实应用意义很大，不仅可在气象领域中为天气预报和气候监测提供强有力的数据支持，并且可应用在气象灾害的预警预报中，减少人民群众的生命财产损失。通过含云量检测对遥感数字影像进行压缩，还可以使遥感数字影像的星地传输效率大幅提高。
[0007]由于高光谱卫星影像包括多个波段，因此，现有技术中，针对高光谱卫星影像中的云量检测，极大的提高了人工质检的工作量，降低了质检效率，影响了高光谱卫星影像数据信息的有效性和数据性。
技术实现思路
[0008]根据本公开的实施例，提供了一种能够降低人工质检的工作量和质检效率，提高高光谱卫星影像数据信息的有效性和数据性的高光谱卫星影像中的云量检测方案。
[0009]在本公开的第一方面，提供了一种高光谱卫星影像中的云量检测方法，包括：获取待检测的高光谱卫星影像，确定所述高光谱卫星影像的下垫面类型；根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型，将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像；根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，生成云掩膜数据。
[0010]在一些实施例中，所述将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像，包括：
将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中，生成每个波段对应的云概率图像，所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。
[0011]在一些实施例中，所述根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，包括：将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点，生成每个波段对应的第一云覆盖区域，其中，不同波段对应的云概率图像设置有不同的预设阈值。
[0012]在一些实施例中，所述将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像，包括：云识别神经网络模型将每个波段对应的云概率图像输入到预先训练的云概率神经网络模型，输出所述高光谱卫星影像的云概率图像。
[0013]在一些实施例中，所述云识别神经网络模型通过以下方式训练得到：以标注云覆盖区域的高光谱卫星影像作为训练样本，根据训练样本中的云覆盖区域对应的下垫面类型将训练样本划分为多个类，将每一类的训练样本作为一个卷积神经网络模型的输入，其中，所述云覆盖区域包括厚云覆盖区域和薄云覆盖区域；分别对所述的每一类训练样本进行学习，输出云概率图像，确定云覆盖区域；将所述云覆盖区域与训练样本中标注的云覆盖区域进行对比，判断损失函数是否大于预设阈值；响应于损失函数大于预设阈值，对卷积神经网络模型的卷积层的参数进行调整，直到损失函数小于所述预设阈值，完成对应多个下垫面类型的云识别神经网络模型的训练。
[0014]在一些实施例中，所述方法还包括：以标注好的云覆盖区域的不同波段的高光谱卫星影像作为训练样本，分别对对应不同波段的云识别神经网络模型进行训练。
[0015]在一些实施例中，所述云识别神经网络模型通过以下方式训练得到：以标注云覆盖区域的高光谱卫星影像的每个波段的云概率图像作为训练样本，输入到卷积神经网络模型，输出所述高光谱卫星影像的云概率图像；将所述输出的高光谱卫星影像的云概率图像与标注云覆盖区域的高光谱卫星影像进行对比，判断损失函数是否大于预设阈值；响应于损失函数大于预设阈值，对卷积神经网络模型的卷积层的参数进行调整，直到损失函数小于所述预设阈值，完成对所述云识别神经网络模型的训练。
[0016]在本公开的第二方面，提供了一种高光谱卫星影像的云量检测装置，包括：高光谱卫星影像获取模块，用于获取待检测的高光谱卫星影像，确定所述高光谱卫星影像的下垫面类型；云概率图像输出模块，用于根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型，将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像；云掩膜数据生成模块，用于根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，生成云掩膜数据。
[0017]在本公开的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0018]在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
[0019]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
[0020]通过本公开的高光谱卫星影像中的云量检测方法，能够降低人工质检的工作量和质检效率，提高了高光谱卫星影像数据信息的有效性和数据性，同时提高了高光谱卫星影像中的云量检测的准确度。
附图说明
[0021]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了本公开实施例一的高光谱卫星影像中的云量检测方法的流程图；图2示出了本公开实施例二的高光谱卫星影像中的云量检测方法的流程图；图3示出了本公开实施例三的高光谱卫星影像中的云量检测装置的功能结构示意图；图4示出了本公开实施例四的高光谱卫星影像中的云量检测设备的结构示意图；图5示出了本公开实施例一中的云识别神经网络模型的训练流程示意图。
具体实施方式
[0022]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
...
【技术保护点】
【技术特征摘要】
1.一种高光谱卫星影像中的云量检测方法，其特征在于，包括：获取待检测的高光谱卫星影像，确定所述高光谱卫星影像的下垫面类型；根据所述高光谱卫星影像的下垫面类型选取对应的预先训练的云识别神经网络模型，将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像；根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，生成云掩膜数据。2.根据权利要求1所述的高光谱卫星影像中的云量检测方法，其特征在于，所述将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像，包括：将所述高光谱卫星影像的每个波段对应的卫星影像分别输入到对应的预先训练的云识别神经网络模型中，生成每个波段对应的云概率图像，所述云概率图像的每个像素点的像素值为该像素点为云点的概率值。3.根据权利要求2所述的高光谱卫星影像中的云量检测方法，其特征在于，所述根据所述云概率图像确定所述高光谱卫星影像中的第一云覆盖区域，包括：将每个波段对应的云概率图像中概率值大于预设阈值的像素点确定为云点，生成每个波段对应的第一云覆盖区域，其中，不同波段对应的云概率图像设置有不同的预设阈值。4.根据权利要求2所述的高光谱卫星影像中的云量检测方法，其特征在于，所述将所述高光谱卫星影像输入到所述云识别神经网络模型中，输出云概率图像，包括：云识别神经网络模型将每个波段对应的云概率图像输入到预先训练的云概率神经网络模型，输出所述高光谱卫星影像的云概率图像。5.根据权利要求1所述的高光谱卫星影像中的云量检测方法，其特征在于，所述云识别神经网络模型通过以下方式训练得到：以标注云覆盖区域的高光谱卫星影像作为训练样本，根据训练样本中的云覆盖区域对应的下垫面类型将训练样本划分为多个类，将每一类的训练样本作为一个卷积神经网络模型的输入，其中，所述云覆盖区域包括厚云覆盖区域和薄云覆盖区域；分别对所述的每一类训练样本进行学习，输出云概率图像，确定云覆盖区域；将所...
【专利技术属性】
技术研发人员：随欣欣，谭海，徐航，周晓青，梁雪莹，
申请(专利权)人：自然资源部国土卫星遥感应用中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。