基于CNN的高分辨率遥感影像多级云检测

发布时间：2023-05-22 00:41

　　针对目前大多数云检测方法对薄-厚云之分检测较少以及对云边界检测性能不理想、准确率低等问题,本文通过结合深度学习的优势提出了基于CNN的遥感影像云检测方案。首先,将GF-1/2和ZY-3图像进行分割制作训练样本,用深层双分支卷积神经网络(CNN)在训练样本中提取云的多尺度特征;其次,利用改进的自适应简单线性迭代聚类方法(ASLIC)将待检测图像分割成超像素作为云检测的子区域。最后,通过网络模型对待检测子区域预测获得云区结果。选取多种高分辨率卫星图像进行云检测试验,并与单分支网络模型、经典SLIC方法进行对比。结果表明,该方法可以在不同成像平台很好地检测薄-厚云及其整个云区,且整个云区检测的平均精度在94%以上。

【文章页数】：6 页

【文章目录】：
0 引言
1 SLIC算法与改进算法
    1.1 SLIC算法基本原理
    1.2 改进的ASLIC算法
        1.2.1 权衡颜色相似性与空间邻近性比例的参数m
        1.2.2 超像素数量N
2 卷积神经网络
    2.1 CNN模型设计
    2.2 网络训练与测试
3 实验结果与分析
    3.1 改进的ASLIC方法的有效性
    3.2 不同CNN结构的性能
4 结束语



本文编号：3821666