基于改进U-Net网络的光学卫星影像云检测方法研究

作     者：刘飞 

作者单位：武汉大学 

学位级别：硕士

导师姓名：李欣

授予年度：2022年

学科分类：0810[工学-信息与通信工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：云检测 U-Net网络 注意力机制 可形变卷积 端到端 

摘      要：近年来,快速发展的光学卫星已成为稳定、高效的对地观测系统中不可或缺的组成部分,这给人类观测地球带来了极大的便利。光学卫星影像有覆盖范围广、获取成本低、重复观测周期短、信息数据量大等优点,被广泛用于国防安全、渔业监测、环境保护、自然灾害预警、资源调查等诸多领域。然而,云作为卫星影像中大范围存在的一种污染物,极大地降低了卫星影像的质量和利用效率。国际卫星气候项目(International Satellite Cloud Climatology Project)研究表明,云层覆盖了全球超过65%的面积。云的存在会反射光学卫星诸多波段信号,使得光学卫星难以获取云层下面完整的地表信息,造成卫星影像信息缺失,使用困难。因此,云检测是提高遥感影像利用率和应用范围的必要措施。光学卫星影像的云检测实际上是以云为前景,其他地物目标为背景的影像分割任务,深度学习算法的快速发展给高效准确的影像分割带来了机遇。目前的多数云检测算法通常依据大量的先验知识,进行复杂的模型构建和特征提取,在面对复杂下垫面时往往需要人工干预才能有效地捕捉影像特征,以达到云检测的目的。而以U-Net网络为代表的深度学习算法可以较为准确的挖掘数据集的特征,依靠人工标记的样本进行模型参数迭代更新,通过不同的网络层提取影像中蕴含的浅层次和高层次语义特征,从而对影像中的云进行有效的检测。因此,本文从深度学习的理论出发,以轻量化的U-Net网络为基础,对光学卫星影像云检测中的问题进行研究。本文的主要研究内容和创新点包括以下两个方面:1.针对多数深度学习算法需要海量人工标记的数据样本且对雪/冰等复杂下垫面区分效果不佳的问题,本文以轻量级U-Net网络为基础,构建了基于注意力机制的U-Net网络云检测模型。该方法通过在网络的上采样层添加空间注意力模块,提高了网络对云的关注能力,以期提升云检测的精度。首先,编码层通过多次降采样操作来获取不同尺度下影像的浅层次和深层次语义特征;然后在上采样层加入注意力模块,与网络同一层降采样获得的特征图经过全卷积操作后进行融合;最后,将获得的分类结果输出,实现了端到端的云检测目标。实验结果表明,该模型在Landsat8 CCA数据集上验证的总体精度为92.91%,高出仅使用U-Net模型8.12%、MLP(Multilayer Perceptron)模型13.48%、RF(Random Forest)模型13.17%,实现了高效的光学卫星影像云检测。2.在基于注意力机制的U-Net网络模型的基础上,从加强对边缘信息的捕捉能力的角度出发,引入了可形变卷积操作,构建了融合注意力机制和可形变卷积的U-Net网络云检测模型。云的形状千变万化,是进行云检测时不能忽略的一个要素,而可形变卷积可以适应多样化的形状,对于不规则对象的边缘特征学习更加有效。因此,本文以可形变卷积替代普通卷积,以期提高对云的形状的关注,实现对云边缘特征的有效提取。实验结果表明,该模型在Landsat8 CCA数据集中验证的总体精度达到了93.10%,高出仅使用U-Net模型8.31%、MLP模型13.67%、RF模型13.36%。研究表明,本文基于U-Net模型改进的两种算法能够实现小数据集(训练数据集少于300个256×256像素的样本)、复杂下垫面类型下的云检测目标。基于注意力机制的U-Net网络具有总体精度高、误检率和漏检率更低的优点;融合注意力机制和可形变卷积的U-Net模型总体精度更高,同时对厚云的检测更为有效,为实现云检测精度提供了新视角。