基于代价敏感学习的遥感影像云检测方法

杨 剑，颜 源，李乐林

（1.河南省自然资源厅，河南 郑州 450016；2.武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079；3.测绘遥感信息工程湖南省重点实验室，湖南 湘潭 411201）

遥感卫星在国土资源调查、环境监测等领域具有重要应用价值，但由于地球表面66%以上区域经常被云层覆盖，许多遥感影像都存在云层遮挡问题[1]。为了有效发挥遥感影像在自然资源管理中的作用，为遥感影像后续利用提供可靠的参考，云检测显得至关重要。

目前，影像云检测方法众多，其中应用最多的方法为物理阈值法[2]，此类算法快速有效，但由于云种类和特征的复杂性，阈值不好把握，不可避免地会对积雪、建筑物、裸地等高亮目标产生误判[3]。近年来，深度学习理论和技术取得了长足的进步，使得从数据中自动提取多层次和隐含特征成为可能，尤其是深度卷积神经网络，在物体识别、目标检测等视觉任务中取得了重大突破[4-7]。有学者基于深度卷积网络提出了高分辨率遥感影像云检测算法，进行薄云和厚云检测[8]。

云在空间上分布具有不均匀性的特征，有的影像中无云或只有零散分布的云，有的影像中所有地物全部被云覆盖。而现有基于深度卷积网络的云检测算法未考虑云分布的不均匀性问题，若不对训练样本进行调整，将导致样本中云和背景两种类别出现严重不平衡问题，造成检测结果倾向于样本数更多的类别。对于类别不平衡问题，主要有两种处理方式：①对训练数据进行预处理，通过修改训练集的样本分布来降低数据的不平衡程度；……