本发明专利技术涉及遥感图像处理领域，具体公开了一种基于马尔可夫判别器的非成对弱监督云检测方法及系统，包括：通过获取有云遥感图像和无云遥感图像，并将其作为训练集，构建云检测网络，从有云遥感图像中选取第一样本输入云检测网络，进行不准确监督，生成粗略置信图；从无云遥感图像中选取第二样本输入云检测网络，进行不准确监督，并通过学习第二样本的先验特征来修正粗略置信图，然后进行反向传播，更新云检测网络的网络参数，得到训练好的云检测网络，根据训练好的云检测网络，确定最终置信图，基于最终置信图确定二值云检测结果。本发明专利技术中的上述方案解决了成对监督必须使用成对标签和因像素级标签不足导致分割精度不高的问题。和因像素级标签不足导致分割精度不高的问题。和因像素级标签不足导致分割精度不高的问题。
【技术实现步骤摘要】
基于马尔可夫判别器的非成对弱监督云检测方法及系统
[0001]本专利技术涉及遥感图像处理领域，特别是涉及一种基于马尔可夫判别器的非成对弱监督云检测方法及系统。
技术介绍
[0002]随着遥感技术的快速发展，利用遥感图像获取地球空间信息颇有研究意义和应用价值。但是，遥感图像极易受到云层覆盖的影响，导致部分信息丢失，影响后续目标识别或检测等任务的效果。为了解决这个问题，近年来提出了许多云检测方法，大致可以分为两类：一类是基于传统的数学及统计学分析的图形学方法，另外一类是基于数据驱动的深度学习算法。其中，基于传统的数学及统计学分析的图形学方法大致又可以分为三类：基于高光谱信息的方法、基于阈值的方法和基于机器学习分类的方法。基于高光谱信息的方法利用高光谱遥感图像的多波段信息来检测云区域，从而高度依赖传感器模型，不能使用类似的假设推广到不同的传感器上，并且此方法不适合处理RGB遥感图像；基于阈值的方法有单一阈值、自动云层覆盖评估(Automated Cloud Cover Assessment，ACCA)、双通道动态阈值、通道综合运算、Fmask云检测算法等。这些方法有一个共同存在的问题即易受地理环境的影响。基于机器学习分类的方法不需要确定图像的阈值，近年来越来越多地被应用于云区域检测。然而，基于机器学习的方法须手动选择有利的特征，使得基于经典机器学习的方法难以更加高效地提取遥感图像更高级别的语义信息。随着场景的复杂化，基于机器学习的方法的精度也会随之降低。
[0003]使用基于数据驱动的深度学习算法检测云区域不需要人工选择云特征，而是利用卷积神经网络(Convolutional Neural Networks,CNN)对云特征进行自动提取。很多基于深度学习的遥感云检测方法将遥感图像切分为多个遥感图像块，并将云检测任务建模为图像分类问题，然后利用CNN进行图像特征提取，从而实现云检测。这类方法精度比基于传统的数学及统计学分析的图形学方法高，但是当遥感图像同时包含云和无云的情况下会造成较大误差。
[0004]除此之外，大部分深度学习模型都使用监督学习来训练，这类模型对云遥感图像及其对应的标签值依赖性很强，需要花费大量的人力资源才能获得像素级精细的标签值。而成对的、像素级人工标记的标签图像的获取代价非常昂贵，几乎成为制约这类方法发展的瓶颈问题。
[0005]为了缓解因像素级标签不足导致分割精度不高的问题，许多基于弱监督学习的云检测方法不断被提出。通过生成对抗网络(Generative Adversarial Network,_GAN)就可以生成大量用来训练的含云遥感图像，从而避免了大量的人工标注。交错感知自编码器可以整合异构信息，不依赖标签数据来提高两类数据的联合分割性能。上述方法在一定程度上缓解了过度依赖标签值的问题，但仍不能满足目前通过云检测获取地球空间信息的需求。
技术实现思路
[0006]本专利技术的目的是提供一种基于马尔可夫判别器的非成对弱监督云检测方法及系统，可以摆脱成对监督必须使用成对标签和因像素级标签不足导致图像分割精度不高的问题，得到更精准的云检测结果。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于马尔可夫判别器的非成对弱监督云检测方法，所述云检测方法包括：
[0009]步骤1：获取有云遥感图像和无云遥感图像，并将所述有云遥感图像和无云遥感图像作为训练集；
[0010]步骤2：设置云检测网络参数；
[0011]步骤3：基于所述云检测网络参数构建云检测网络；
[0012]步骤4：将所述有云遥感图像的标签预定义为全0，所述无云遥感图像的标签预定义为全1；
[0013]步骤5：从所述有云遥感图像中选取m个有云图作为第一样本输入所述云检测网络，以标签均为0进行不准确监督，计算第一交叉熵损失，并生成粗略置信图；
[0014]步骤6：从所述无云遥感图像中选取m个无云图作为第二样本输入所述云检测网络，以标签均为1进行不准确监督，计算第二交叉熵损失，并通过学习所述第二样本的先验特征来修正所述粗略置信图；
[0015]步骤7：基于所述第一交叉熵损失和所述第二交叉熵损失进行反向传播更新所述云检测网络的网络参数；
[0016]步骤8：重复步骤2
‑
步骤7，直到所述云检测网络训练完毕，得到训练好的云检测网络；
[0017]步骤9：将待检测的有云遥感图像输入到所述训练好的云检测网络，得到最终置信图；
[0018]步骤10：基于所述最终置信图确定二值云检测结果。
[0019]优选地，所述云检测网络为光谱归一化马尔可夫判别器，所述马尔可夫判别器具体包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一光谱归一化层、第二光谱归一化层、第三光谱归一化层、第四光谱归一化层以及第五光谱归一化层；所述第一卷积层、第一光谱归一化层、第二卷积层、第二光谱归一化层、第三卷积层、第三光谱归一化层、第四卷积层、第四光谱归一化层、第五卷积层以及第五光谱归一化层依次连接。
[0020]优选地，所述第一光谱归一化层、第二光谱归一化层、第三光谱归一化层、第四光谱归一化层、第五光谱归一化层均采用以下公式：
[0021][0022]其中，W为当前层网络的权重参数矩阵，σ
(W)
为权值参数矩阵的最大奇异值。
[0023]优选地，所述第一交叉熵损失的损失函数为：
[0024][0025]其中，D
sn
代表光谱归一化马尔可夫判别器，C代表小批量样本的有云遥感图,
表示所述第一样本采样自有云遥感图像概率。
[0026]优选地，所述第二交叉熵损失的损失函数为：
[0027][0028]其中，D
sn
代表光谱归一化马尔可夫判别器，N代表小批量样本的无云遥感图，表示所述第二样本采样自无云遥感图像概率。
[0029]优选地，所述训练集为未标记云区域且非成对的有云遥感图像和无云遥感图像。
[0030]优选地，所述基于所述最终置信图确定二值云检测结果具体包括以下步骤：
[0031]获取前景图像与背景图像最佳阈值；
[0032]根据所述最佳阈值对置信图进行二值化得到云检测结果。
[0033]优选地，所述获取前景图像与背景图像最佳阈值具体包括以下步骤：
[0034]计算前景图像和背景图像的方差：g＝w0×
w1×
(u0‑
u1)2；其中，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1；
[0035]将所述前景图像和背景图像的方差最大时对应的灰度值作为前景图像与背景图像最佳阈值。
[0036]优选地，所述根据所述最佳阈值对置信图进行二值化得到云检测结果具体采用以下公式：
[0037][0038]其中，f(x,y)为置信图，T为前景图像与背景图像的最佳阈值。
[0039]基于本专利技术中的上述方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于马尔可夫判别器的非成对弱监督云检测方法，其特征在于，所述云检测方法包括：步骤1：获取有云遥感图像和无云遥感图像，并将所述有云遥感图像和无云遥感图像作为训练集；步骤2：设置云检测网络参数；步骤3：基于所述云检测网络参数构建云检测网络；步骤4：将所述有云遥感图像的标签预定义为全0，所述无云遥感图像的标签预定义为全1；步骤5：从所述有云遥感图像中选取m个有云图作为第一样本输入所述云检测网络，以标签均为0进行不准确监督，计算第一交叉熵损失，并生成粗略置信图；步骤6：从所述无云遥感图像中选取m个无云图作为第二样本输入所述云检测网络，以标签均为1进行不准确监督，计算第二交叉熵损失，并通过学习所述第二样本的先验特征来修正所述粗略置信图；步骤7：基于所述第一交叉熵损失和所述第二交叉熵损失进行反向传播更新所述云检测网络的网络参数；步骤8：重复步骤2
‑
步骤7，直到所述云检测网络训练完毕，得到训练好的云检测网络；步骤9：将待检测的有云遥感图像输入到所述训练好的云检测网络，得到最终置信图；步骤10：基于所述最终置信图确定二值云检测结果。2.根据权利要求1所述的基于马尔可夫判别器的非成对弱监督云检测方法，其特征在于，所述云检测网络为光谱归一化马尔可夫判别器，所述马尔可夫判别器具体包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一光谱归一化层、第二光谱归一化层、第三光谱归一化层、第四光谱归一化层以及第五光谱归一化层；所述第一卷积层、第一光谱归一化层、第二卷积层、第二光谱归一化层、第三卷积层、第三光谱归一化层、第四卷积层、第四光谱归一化层、第五卷积层以及第五光谱归一化层依次连接。3.根据权利要求2所述的基于马尔可夫判别器的非成对弱监督云检测方法，其特征在于，所述第一光谱归一化层、第二光谱归一化层、第三光谱归一化层、第四光谱归一化层、第五光谱归一化层均采用以下公式：其中，W为当前层网络的权重参数矩阵，σ
(W)
为权值参数矩阵的最大奇异值。4.根据权利要求2所述的基于马尔可夫判别器的非成对弱监督云检测方法，其特征在于，所述第一交叉熵损失的损失函数为：其中，D
sn
代表光谱归一化马尔可夫判别器，C代表小批量样本的有云遥感图,表示所述第一样本采样自有云遥感图像概率。5.根据权利要求2所述的基于马尔可夫判别器的非成对弱监督云检测方法，其特征在
于，所述第二交叉熵损失的损失函数为：其中，D
sn
代表光谱归一化马尔可夫判别器，N代表小批量样本的无云遥感图，表示所述第二样本采样自无云遥感图像概率。6.根据权利要求1所述...
【专利技术属性】
技术研发人员：杨秀红，苟田坤，许鹏，金海燕，吕志勇，
申请(专利权)人：西安理工大学，
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。