深度学习在遥感影像云检测中的应用

徐少壮，钟来星

(1.山东科技大学 测绘与空间信息学院，山东 青岛 266590；2.山东科技大学 能源学院，山东 泰安 271000)

0 引言

遥感技术的快速发展带来了海量的数据，但是ISCCP(international satellite cloud climatology project)的研究表明[1]，地表的年平均云覆盖率超过66%，云层遮盖了光学遥感影像的部分、甚至全部的地表信息，这不仅严重影像数据质量，甚至制约了进一步挖掘数据的潜力，对遥感影像后续处理也同样是一个挑战[2-3]。因此，对云的高精度定量化评估是一项很重要的工作。

云与地物在光谱、纹理特征方面存在较为明显的区别，基于此许多学者实现了光学遥感影像云检测。李微等[4]通过云与下垫面其他地物在可见光、近红外谱段的差异，提取云覆盖区域，但是该方法对于波长范围受限的影像具有一定局限性。李超炜等[5]将分形维数、灰度共生矩阵等多个影像特征作为分类标准，通过输入SVM实现云检测，但是实验结果与云覆盖区域轮廓匹配程度较低。除此之外，图像分割领域的传统算法同样适用于云检测，比如最大类间分类法[6]、超像素分割法[7]、区域生长法[8-9]等。传统算法对噪声、目标像元的差异十分敏感，而高分辨率遥感影像往往伴随一定的白噪声[10]，所以对高分辨率遥感影像进行云检测具有一定的局限性。遥感影像语义分割是从计算机视觉中延伸出来并结合深度学习实现遥感影像分类、地物提取的技术，相比于传统算法，深度学习具备更好的云检测精度和可移植性。2015年，Olaf等[11]首次提出U-Net网络结构，实现了显微镜细胞影像的高精度、高效率识别，在此基础上，学者们将改进后的网络结构应用于三维医学影像分割[12]、多类别影像识别[13-15]等方面，为遥感影像云检测提供了新的思路。……