朱 清，侯恩兵

（1.安徽省基礎測繪信息中心，安徽 合肥 230031；2.安徽省智慧城市與地理國情監(jiān)測重點實驗室，安徽 合肥230031）

星載衛(wèi)星拍攝的原始遙感影像中，大約有50%以上被云層覆蓋，而云層的存在遮擋了地表的地理信息，同時也影響了影像的融合、配準等后續(xù)處理，因此，對原始衛(wèi)星遙感影像進行云檢測是有必要的[1-2]。一般的，遙感影像包含紅、綠、藍以及紅外4個波段，而云在這4個波段中的像素值均為最小值，尤其在藍色與紅外波段中。很多遙感影像云檢測方法就是根據(jù)該特點分離云層與其他地物[3-4]，如將最大類間自適應閾值（Otsu）應用在遙感影像云檢測中[5]。該方法能取得較好的結果，但存在誤檢、漏檢的情況，如地表一些高亮反光物體（廠房屋頂、雪山、積雪等）會被誤檢為云，而一些薄云、小云塊則會被漏檢。同時，檢測閾值也需人為干預，適應能力有一定局限性。

近年來，隨著科學技術的發(fā)展，人們獲得的遙感影像數(shù)據(jù)分辨率不斷提高，深度學習的發(fā)展也為人們在遙感影像云檢測中的探索提供了一種新的方向。深度學習有著強大的非線性映射能力，能很好地學習到復雜數(shù)據(jù)中的復雜關系。許多研究者使用支持向量機（SVM）、人工神經網絡（ANN）等簡單網絡結構來進行云檢測，隨著硬件條件和數(shù)據(jù)質量的提升，更復雜的模型得以應用。2012年提出的AlexNet卷積神經網絡在ILSVRC 2012中大放異彩，獲得冠軍[6]。2015年，全卷積神經網絡在Pascal VOC-2012數(shù)據(jù)集圖像分割上取得了較好的分類結果[7]。卷積神經網絡是一種較為常用的深度學習算法，其參數(shù)通過梯度下降、反向傳播的方式進行調整。經過訓練的全卷積神經網絡可充分挖掘遙感影像中的特征，完成遙感影像中不同目標的分類[8]。2014年，Goodfellow I[9]等提出生成式對抗網絡，其在結構上受零和博弈的影響，由一個生成器和一個判別器組成。生成器和判別器均由不同的深度神經網絡構成[10]。

針對傳統(tǒng)方法在遙感影像云檢測中出現(xiàn)的漏檢、誤檢問題，本文提出了一種基于生成式對抗網絡的遙感影像云檢測方法。首先，使用原始遙感影像數(shù)據(jù)與人工分割好的云檢測圖訓練生成器網絡，同時使用人工分割好的云檢測圖訓練判別器網絡；再將生成器生成的結果交由判別器判斷，并將判斷結果反饋給生成器網絡，使之調整參數(shù)直至判別器認為生成器生成結果與人工分割好的云圖相差無異，訓練結束；最后使用訓練好的生成器進行遙感影像的云檢測，獲得檢測結果。

1 研究原理與方法

1.1 生成式對抗網絡（GANs）

GANs的靈感來源于博弈論中的納什均衡，由一個生成器和一個判別器構成。生成器的目的是盡量學習數(shù)據(jù)的真實分布，而判別器的目的則是盡量正確地判斷輸入數(shù)據(jù)是真實數(shù)據(jù)還是來自生成器。為了達到平衡，二者需要不斷地對自己進行優(yōu)化，以提高生成能力和判別能力，其過程就是一個尋找納什均衡的過程。

GANs的運行方式如圖1所示。任意可微分函數(shù)均可由GANs的生成器和判別器表示。用可微分函數(shù)F和G分別表示判別器和生成器，它們的輸入分別是任意真實數(shù)據(jù)x和隨機變量y。G(y)為由G生成的盡量擬合真實數(shù)據(jù)分布pdata的樣本。若判別器的輸入來自真實數(shù)據(jù)，則被標注為1；反之，為0。F的目標是實現(xiàn)對輸入數(shù)據(jù)的二分判別，即數(shù)據(jù)是否來自真實數(shù)據(jù)；G的目標是使自己生成的數(shù)據(jù)與真實數(shù)據(jù)的分布盡可能保持一致，使得判別器無法判別生成數(shù)據(jù)的真?zhèn)巍＿@個過程使得F和G不斷自我優(yōu)化，直至雙方達到一種平衡[11]。

圖1 GANs計算流程圖

1.2 GANs學習原理

在給定生成器G的情況下，考慮最優(yōu)化判別器F。與基于Sigmoid的判別模型一樣，訓練判別器F也是最小化損失函數(shù)的過程。具體的，此處損失函數(shù)為交叉熵，其表達式為：

式中，x來自于真實數(shù)據(jù)分布pdata(x)；y來自于先驗分布py(y)；E(*)為計算的期望值。特別的，此處來源于真實數(shù)據(jù)集的數(shù)據(jù)被標注為1，來自生成器的數(shù)據(jù)被標注為0。

給定生成器G，需要通過最小化式（1）得到最優(yōu)解，在連續(xù)空間中，式（1）可寫為：

對任意的非零實數(shù)m和n，且有a∈[0,1]，表達式-mlog(a)-nlog(1-a)在m處得到最小值，因此給m+n定生成器G時，式（2）在處得到最小值，即為判別器最優(yōu)解。

F(x)代表的是x來源于真實數(shù)據(jù)而非生成數(shù)據(jù)，當輸入數(shù)據(jù)來自于真實數(shù)據(jù)時，F(xiàn)的目標就是使輸出概率值F(x)趨近于1，而當輸入數(shù)據(jù)來自于生成數(shù)據(jù)G(y)時，F(xiàn)的目標就是正確判斷數(shù)據(jù)出處，使得F(G(y))趨近于0，同時G的目標是使其趨近于1。如此，GANs的目標函數(shù)可描述為：

在訓練時，同一輪參數(shù)更新中，一般先對F的參數(shù)更新k次再對G的參數(shù)更新一次。

1.3 生成器模型

全卷積神經網絡（FCNN）和卷積神經網絡（CNN）都是含有多層網絡的神經網絡模型，由感知器、BP神經網絡發(fā)展而來。與CNN的卷積層之后使用全連接層獲得固定長度向量進行分類不同，F(xiàn)CNN將全連接層替換為卷積層，利用反卷積的方式對前一層的輸出進行上采樣操作，恢復至與原圖同樣的大小，再對每個像素進行分類，得到最后的檢測結果。對圖像的卷積過程可描述為：

式中，l為卷積層所在的層數(shù)；w為卷積核的權重參數(shù)；b為偏置；f為激活函數(shù)，此處為Relu函數(shù)，在保持與Sigmoid相同作用的情況下做到較快收斂，同時減小梯度消失的問題。

本文使用AlexNet作為生成器模型，將其最后的全連接層改為卷積層。具體的AlexNet網絡結構如圖2所示[12-13]。

圖2 AlexNet網絡結構圖

1.4 判別器模型

為了得到更優(yōu)性能的判別器，本文采用VGG作為判別器。相對于AlexNet，VGG采用了更深的網絡結構，能采集到更多的圖像特征，在性能上也優(yōu)于AlexNet，可作為一個“更強大”的判別器來對抗生成器。VGG- 19網絡結構如圖3所示[12-13]。

2 實驗與結果分析

為了驗證基于生成式對抗網絡的遙感影像云檢測方法的有效性，將實驗結果與參考文獻[5]提出的Otsu云檢測方法和參考文獻[7]提出的FCNN作對比。以GF-1號原始遙感影像作為實驗對象，影像1如圖4a所示，空間分辨率為2 m，大小為8 856像素 ×8 976像素，云類型為薄云和厚云，地物類型主要為山體；影像2如圖4b所示，無云覆蓋，主要地物為城市、農田、湖泊，空間分辨率為2 m，大小為8 856像素×8 976像素。

圖3 VGG-19網絡結構圖

圖4 GF-1號原始影像

在數(shù)據(jù)準備階段，將檢測類別分為云和背景，使用GF-1號原始影像數(shù)據(jù)進行人工標注，并將圖片進行切分處理，共得到訓練樣本2 500片，主要用于模型的訓練和檢驗。實驗采用Linux下的Tensorflow機器學習框架，硬件環(huán)境為CPU i7處理器、GPU Nvidia 1080 8G內存；使用修改后的AlexNet作為生成器，修改后的VGG作為判別器。將生成器生成結果交由判別器判別，直至判別器認為生成數(shù)據(jù)來源于人工標志數(shù)據(jù)而非生成器生成數(shù)據(jù)為止。本文方法云檢測結果如圖5a、5d所示，Otsu的云檢測結果如圖5b、5e所示，F(xiàn)CNN云檢測結果如圖5c、5f所示。

圖5 3種方法云檢測效果對比

由圖5a、5b可知，本文檢測方法和Otsu方法獲取結果的云邊界清晰，能較好地識別出薄云和厚云；由圖5c可知，F(xiàn)CNN方法檢測厚云和薄云的效果最好，但邊界較模糊，也存在一些漏檢現(xiàn)象；由圖5e中可知，Otsu方法的檢測結果存在誤檢現(xiàn)象，將高反光物體誤檢測為云；由圖5d、5f可知，本文方法和FCNN方法不存在誤檢現(xiàn)象，具體對比如表1所示。

表1 3種方法云檢測效果對比

由表1可知，相對于Otsu方法和FCNN方法，本文所設計云檢測算法在識別率、識別精度上有一定優(yōu)勢，且誤檢率和漏檢率較低。Otsu方法雖能有效檢測厚云和薄云，但也存在誤檢現(xiàn)象，未考慮云本身的形態(tài)學特征，因而對一些高亮物體無法進行排除判斷。FCNN方法能有效檢測厚云和薄云，也避免了誤檢現(xiàn)象，但存在一定的漏檢現(xiàn)象，同時檢測的云邊緣也不是特別清晰。

通過以上對比分析可知，本文提出的云檢測方法效果較好，能較好地學習到云的復雜特征，進而獲取較好的檢測結果。

3 結 語

本文將GANs應用到遙感影像云檢測中，在一定程度上彌補了傳統(tǒng)方法未考慮云形態(tài)學特征的不足。該方法可用于云區(qū)域提取、遙感影像質量控制等方面，其主要優(yōu)勢包括檢測精度高、邊緣清晰、誤檢漏檢率低，適用于有云和無云圖像。下一步工作將探索檢測更多的面目標（如水域、農田、礦區(qū)等），以擴大本文方法的適用范圍，同時進一步優(yōu)化該方法，獲取更高的檢測精度。

[1] ZHU Z, Woodcock C E. Object-based Cloud and Cloud Shadow Detection in Landsat Imagery[J]. Remote Sensing of Environment,2012,118(6):83-94

[2] ZHU Z, Woodcock C E. Automated Cloud, Cloud Shadow,and Snow Detection in Multi-temporal Landsat Data: an Algorithm Designed Specifically for Monitoring Land Cover Change [J]. Remote Sensing of Environment,2014(152):217-234

[3] 劉大偉,韓玲,韓曉勇.基于深度學習的高分辨率遙感影像分類研究[J].光學學報,2016,36(4):306-314

[4] 陳洋,范榮雙,王競雪,等.結合相位一致和分水嶺變換的高分辨率遙感影像分割方法[J].激光與光電子學進展,2017,54(9):381-386

[5] 高賢君,萬幼川,鄭順義,等.航空攝影過程中云的實時自動檢測[J].光譜學與光譜分析,2014,34(7):1 909-1 913

[6] Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[J].International Conference on Neural Information Processing Systems,2012,60(2):1 097-1 105

[7] LONG J, Shelhamer E, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,39(4):640

[8] YU Q, GONG P, Clinton N, et al. Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery[J]. Photogrammetric Engineering and Remote Sensing,2006,72(7):799-811

[9] Goodfellow I, Pougetabadie J, Mirza M, et al. Generative Adversarial Nets[C]. Advances in Neural Information Processing Systems,2014:2 672-2 680

[10] Heaton J. Ian Goodfellow, Yoshua Bengio, and Aaron Courville:Deep Learning[C]. Genetic Programming and Evolvable Machines,2017:1-3

[11] Bengio Y, Courville A, Vincent P. Representation Learning: a Review and New Perspectives[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,35(8):1 798-1 828

[12] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-scale Image Recognition[M]. Computer Science,2014

[13] Deep Learning 回 顧 之 LeNet、AlexNet、GoogLeNet、VGG、ResNet[EB/OL].[2016-08-30].http://www.cnblogs.com/52machinelearning/p/5821591.html