应用卷积神经网络的遥感图像云层自主检测

发布时间：2021-01-12 11:34

　　为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础. 

【文章来源】：哈尔滨工业大学学报. 2020,52(12)北大核心

【文章页数】：8 页

【部分图文】：

LeNet-5网络结构

针对遥感图像云层检测的卷积神经网络共包含两个大模块,分别为特征提取模块与模式分类模块.特征提取模块中又包含4个卷积模块以及4个全连接层,每个卷积模块由一个卷积层和一个池化层组成.表1 CNN模型的结构及参数信息Tab.1 CNN model structure and parameter information 层(layer) 输入尺寸 输出尺寸 卷积核尺寸 参数个数 卷积模块1 卷积层C1 200×200×3 200×200×32 5×5 2 432 池化层P1 200×200×32 100×100×32 2×2 0 卷积模块2 卷积层C2 100×100×32 100×100×64 5×5 51 264 池化层P2 100×100×64 50×50×64 2×2 0 卷积模块3 卷积层C3 50×50×64 50×50×128 5×5 204 928 池化层P3 50×50×128 25×25×128 2×2 0 卷积模块4 卷积层C4 25×25×128 25×25×256 5×5 819 456 池化层P4 25×25×256 13×13×256 2×2 0 全连接层D1(Dropout=50%) 43 264 1 024 - 44 303 360 全连接层D2(Dropout=50%) 1 024 512 - 524 800 全连接层D3(Dropout=50%) 512 128 - 65 664 全连接层D4 128 1 - 129

式中损失函数loss由真实标记分布 y ^ i 和训练后的模型的预测标记分布yi计算得来,当预测值越接近真实值时,损失函数loss的值越小.在计算得到损失函数之后,需要更新网络中各层节点的参数.参数更新的过程需要使用优化器,本文中使用Adam优化器[14].Adam(adaptive moment estimation)优化器利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,且每一次迭代学习率都有个确定范围,使得参数比较平稳,其公式为:

【参考文献】：
期刊论文
[1]基于卷积神经网络和支持向量机算法的马铃薯表面缺陷检测[J]. 许伟栋,赵忠盖.  江苏农业学报. 2018(06)
[2]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[3]遥感图像的云分类和云检测技术研究[J]. 周雪珺,杨晓非,姚行中.  图学学报. 2014(05)
[4]遥感图像云检测方法综述[J]. 侯舒维,孙文方,郑小松.  空间电子技术. 2014(03)
[5]遥感图像云图识别中的特征提取[J]. 陈鹏,张荣,刘政凯.  中国科学技术大学学报. 2009(05)
[6]基于MODIS影像的夜间云检测算法研究[J]. 侯岳,刘培洵,陈顺云,刘少峰.  国土资源遥感. 2008(01)
[7]多通道卫星云图云检测方法的研究[J]. 马芳,张强,郭铌,张杰.  大气科学. 2007(01)
[8]基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测[J]. 陈刚,鄂栋臣.  武汉大学学报(信息科学版). 2006(05)

硕士论文
[1]卷积神经网络在遥感目标识别中的应用研究[D]. 殷文斌.中国科学院大学(中国科学院遥感与数字地球研究所) 2017



本文编号：2972777