王樹立，唐海蓉，計璐艷

(1 中國科學(xué)院空天信息創(chuàng)新研究院 中國科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點實驗室， 北京 100094； 2 中國科學(xué)院大學(xué)， 北京 100049)

以 Landsat 衛(wèi)星為代表的遙感數(shù)據(jù)在當今社會的生產(chǎn)和生活中扮演著至關(guān)重要的角色，在農(nóng)業(yè)產(chǎn)量估算[1]、變化檢測[2]、災(zāi)難評估[3]等方面發(fā)揮著重要的作用。隨著科技的發(fā)展，遙感數(shù)據(jù)變得越來越多，且越來越容易獲得。海量的多波段遙感數(shù)據(jù)也急切需要高效率和高魯棒性的算法進行處理和數(shù)據(jù)挖掘。然而，在 Landsat 數(shù)據(jù)集上，每年有高達 40% 的像素被云覆蓋[4]，云層作為光學(xué)遙感圖像的主要污染源，對遙感圖像的應(yīng)用造成了極大的限制。所以對云檢測算法的研究一直是遙感領(lǐng)域中的熱點。實時的云檢測算法目前可以分為兩類：基于光譜信息的和基于空間信息的。光譜是地物最本質(zhì)的特征之一，不同的地物有不同的輻射與反射特性，云在反射波段表現(xiàn)為亮目標，發(fā)射波段表現(xiàn)為暗目標。有些基于光譜信息的方法[5]直接利用波段特征，也有些通過非線性映射構(gòu)造新的特征(如波段比值、波段指數(shù)等)，并精心設(shè)置閾值以更好地區(qū)分地物。Irish等[6]提出的ACCA(automated cloud-cover assessment)使用Landsat7 ETM+譜段2～6的信息，獲得暖云掩碼、冷云掩碼、非云掩碼和雪掩碼。Zhu和Woodcock[7]提出的FMask算法用到了 Landsat 幾乎所有的波段，通過設(shè)置亮度閾值、色度閾值、溫度閾值、NDVI、NDSI 等，通過決策樹選擇出兩個潛在云掩膜，并組合成最終的結(jié)果。此類方法實現(xiàn)簡單，便于理解，可解釋性強，在一般情況下可以取得較好的效果，但當?shù)孛娓采w了冰、雪、沙漠，或云為薄卷云、小積云時，云和地面難以區(qū)分。

在空間上，云的表現(xiàn)則更加多樣，有小面積的碎云，一大片的層云，有較厚的積云，也有較薄的卷云，但云是由水汽聚集而成，處于中心位置的云更加容易識別，邊緣部分或者較為模糊的云可以利用空間分布進行識別。一些方法通過提取圖像紋理特征，如LBP特征、HOG特征、haar特征等，利用云與地物在空間結(jié)構(gòu)上的不同進行區(qū)分。還有一些文章將高分辨率圖像切割成一張張子圖或超像素，如SLIC(simple linear iterative clustering)[8]，再利用機器學(xué)習(xí)的方法對子圖或超像素進行分類，如支持向量機(suppurt vector machine,SVM)[9]、多層感知機(multilayer perceptron,MLP)[10]。這些方法一方面降低了圖像的分辨率，另一方面受到云多樣性的影響，在處理薄云、小面積云時效果并不佳。

近年來，深度學(xué)習(xí)在自然語言處理、降維、圖像分類、目標檢測、語義分割等方面取得了諸多成果。從 AlexNet 開始，深度學(xué)習(xí)開始席卷圖像處理領(lǐng)域。相較許多傳統(tǒng)方法需要人工構(gòu)造特征和精心選擇閾值，深度學(xué)習(xí)通過構(gòu)造多層神經(jīng)網(wǎng)絡(luò)，自動提取特征和閾值。而且, 精心選擇的神經(jīng)網(wǎng)絡(luò)可以構(gòu)造出高維特征，更加有效地區(qū)分云與地物。

目前有很多方法將全卷積網(wǎng)絡(luò)應(yīng)用于遙感圖像的云檢測。Jeppesen等[11]將U-Net應(yīng)用于Landsat遙感圖像云檢測。Chai等[12]將SegNet應(yīng)用于Landsat圖像。Hughes和Kennedy[13]將FCN(fully convolutional network)應(yīng)用于云檢測。這些方法是對已有模型在遙感圖像云檢測任務(wù)上的應(yīng)用，都取得了不錯的效果。Zhang等[14]在原有通道的基礎(chǔ)上增加并行的1×1卷積核，增強了對光譜的重視，取得了不錯的效果。但這些方法存在一些不足，如：沒有充分利用地物的光譜特征；過于重視遙感圖像的空間特征。這不僅會導(dǎo)致訓(xùn)練過程中容易出現(xiàn)過擬合、訓(xùn)練不穩(wěn)定，也會使小的碎云容易被忽視，邊緣細節(jié)容易被丟失，分類結(jié)果過于平滑等。

為了充分利用云的光譜屬性，保持云的邊緣細節(jié)，本文提出一個新穎的、簡單的、有效的網(wǎng)絡(luò)，稱為勺型網(wǎng)絡(luò)(spoon-net，簡稱S-Net)用于Landsat圖像云檢測。網(wǎng)絡(luò)主要包括2個階段。第1階段，光譜特征提取階段。在這一階段，完全使用1×1的卷積核，不受空間信息干擾，專門對圖像進行光譜特征提取。而且1×1卷積核可以在不降低圖像分辨率的前提下，使得后續(xù)的空間特征更加容易被提取。第2階段，空間特征提取階段。這一階段，采用輕量化的encoder-decoder框架。進一步，我們不會破壞已提取的光譜特征，而是采用組卷積(group conv) 的方式，將第1階段得到的每一種光譜特征作為一組進行單獨的卷積。由于光譜特征提取階段的存在，組卷積在大大減少參數(shù)量的同時，有效提取空間特征。最終的分類結(jié)果將像素分為云與非云2類。實驗結(jié)果表明，S-Net 可以在模型參數(shù)大大減小的情況下，明顯提高云檢測精度。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

本文采用的光學(xué)遙感衛(wèi)星數(shù)據(jù)集來自美國航空航天局(National Aeronautics and Space Administration，NASA)Landsat8衛(wèi)星。2013年2月11日，NASA成功發(fā)射Landsat8衛(wèi)星。Landsat8衛(wèi)星上攜帶2個傳感器，分別是OLI(operational land imager)陸地成像儀和TIRS(thermal infrared sensor)熱紅外傳感器。OLI提供9個波段，波段范圍為0.43～2.30 μm；TIRS提供地表溫度數(shù)據(jù)，包括2個波段，波段范圍為10.60～12.51 μm，具體信息見表1。Landsat系列衛(wèi)星每16 d可以實現(xiàn)一次全球覆蓋。

表1 Landsat8波段信息Table 1 Landsat8 band information

為了對模型進行訓(xùn)練與測試，本文利用帶人工標注標簽的全球云和云影驗證數(shù)據(jù)集“L8 biome cloud validation masks”[15]，該數(shù)據(jù)集共有 96 景圖片，每景約7 000×7 000大小，包含 8 個種類的下墊面。

每景圖片的標簽均是人工標注，可信度較高。每個文件包含Landsat 8 Level-1 數(shù)據(jù)文件、質(zhì)量文件和.img(ENVI)格式的真值標簽，人工標志位如表2所示。

表2 Landsat8 biome 數(shù)據(jù)人工標注標志位Table 2 Flag of Landsat8 biome

根據(jù)云量百分比的多少，‘L8 biome’中96景分為clear, midcloud, cloud共3種，每種各占1/3，云量低于35%的為clear，云量高于65%的為cloud，云量介于35%～65%之間的為 midcloud。我們將數(shù)據(jù)標簽簡單地分為云與非云2類，將每景圖像均勻切割為256×256大小的子圖(共約5萬張)，切割時過濾掉帶填充值的圖片，因此圖像邊緣的填充像素并不會出現(xiàn)在訓(xùn)練與測試的步驟中。選擇除全色波段的所有波段(TIRS數(shù)據(jù)的空間分辨率已重采樣到30 m)，共10個波段，訓(xùn)練集與測試集的比例為6∶4。

1.2 Encoder-decoder框架與改進

Encoder-decoder框架是圖像分割領(lǐng)域的主流框架。encoder的作用是提取空間特征，decoder的作用是解析空間特征，并將圖像還原到原圖的大小，以獲得像素級別的分類，跳層連接統(tǒng)籌兼顧感受野與空間分辨率。FCN[16]與U-Net[17]均采用這種框架。但該框架一般應(yīng)用于灰度圖像與彩色圖像，若應(yīng)用于遙感圖像云檢測，雖然可以涉及光譜維度的計算，但主要是在提取空間特征，對光譜特征的提取能力不足。本文考慮遙感圖像多波段的特點，對encoder-decoder框架進行改進，將其擴充為兩階段，分步提取光譜特征與空間特征?？蚣軐Ρ热鐖D1所示。

圖1 Encoder-decoder框架與spoon-net對比Fig.1 Comparison of encoder-decoder framework and spoon-net

1.3 網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的 S-Net 是一個兩階段模型，分別為光譜特征提取階段和空間特征提取階段。詳細模型結(jié)構(gòu)如圖2所示，每個矩形框上面的數(shù)字代表特征圖的個數(shù)。

圖2 S-Net 詳細結(jié)構(gòu)Fig.2 S-Net framework

光譜特征提取階段：該階段使用1×1的卷積核對單個像素進行計算，提取出3個最優(yōu)的光譜特征。因為不涉及到空間信息，所以可以有效保持圖像的細節(jié)。

多層1×1的卷積操作等價于一個MLP，MLP可以有效提取非線性光譜特征，為后續(xù)分類提供良好的基礎(chǔ)，并且不會降低圖像分辨率。這一階段輸出的每一層特征圖都是一種有效的光譜特征，類似于NDVI、NDWI等，但遠比它們復(fù)雜得多，更加具有非線性，也更有效。這一階段生成的光譜特征，不僅會用于第2階段的空間特征提取，還會以跳層連接的方式直接參與最終的分類，并且分類層的卷積核也是1×1，這意味著我們的網(wǎng)絡(luò)有足夠的能力保證分割結(jié)果的細節(jié)。

空間信息提取階段：在第1階段提取的光譜特征基礎(chǔ)上，通過進一步的區(qū)域空間信息與上下文信息的提取，充分利用空間信息，有效減少了云檢測的虛警率。同時為使模型更加輕量化，采用淺層神經(jīng)網(wǎng)絡(luò)與組卷積。詳細的空間特征提取過程如圖3所示。

圖3 每組特征圖的卷積過程Fig.3 Convolution process of each group

空間特征提取采用淺層(2層)的encoder-ecoder結(jié)構(gòu)，除最后的分類層是1×1的卷積核，其余卷積核為3×3；利用最大池化層降低圖像分辨率，擴大感受野；將高分辨率的特征圖通過跳層連接與低分辨率的特征圖進行拼接，以檢測不同大小的目標。

同時，引入組卷積的概念，避免在光譜上的重復(fù)計算，更加有效提取空間信息。圖4展示了組卷積與普通卷積的區(qū)別。普通卷積會使所有的特征圖參與計算，而組卷積將特征圖與卷積核分組，每組卷積核只會與該組內(nèi)的特征圖進行卷積。在本文中，組卷積具有明確的意義，將第1階段提取的每種特征作為單獨的一組，針對性地提取空間信息，也意味著這一階段不會重復(fù)提取或破壞已有的光譜特征，專注于空間特征的提取。

圖4 組卷積與普通卷積的區(qū)別Fig.4 The difference between group convolution and ordinary convolution

組卷積也是輕量化模型的重要手段。假設(shè)輸入有ci層特征圖，每個特征圖都是H×W，3×3的卷積核co個，普通卷積將進行H×W×3×3×ci×co次乘法計算；若將其分為g組，整個卷積過程只會進行H×W×3×3×(ci/g)×co次乘法，計算量變?yōu)樵瓉淼?/g。同樣，參數(shù)個數(shù)也變?yōu)樵瓉淼?/g，減少了模型過擬合的風(fēng)險。

為保證穩(wěn)定性和精度，S-Net 的網(wǎng)絡(luò)設(shè)計還包括：

a) 上采樣方式選擇雙線性插值法。

b) 在卷積之后，激活函數(shù)之前，加入批歸一化層(batch normalization, BN)[18]加快模型收斂：

(1)

c) 激活函數(shù)以ReLU函數(shù)為主。本文中幾乎所有的激活函數(shù)都是ReLU函數(shù)，即

(2)

ReLU由于非負區(qū)間的梯度為常數(shù)，可以緩解梯度消失問題，使得模型的收斂速度維持在一個穩(wěn)定狀態(tài)。在最后一層卷積層，激活函數(shù)會使用Sigmoid函數(shù)，即

(3)

用于將輸出映射到0～1之間，代表該像素點為云的概率。

d) 損失函數(shù)采用交叉熵損失函數(shù)，用L表示，即

(4)

Ltotal=w×La+(1-w)×Lm，

(5)

其中:w是權(quán)重因子，w∈[0,1]。

2 實驗與分析

本文將S-Net的分割結(jié)果與CFMask(FMask[7]的C語言實現(xiàn))、U-Net[17]、SegNet[19]的分割結(jié)果作比較。Foga等[15]使用多種傳統(tǒng)方法在Landsat8 biome數(shù)據(jù)集上進行實驗，結(jié)果表明FMask是最優(yōu)秀的方法。同時FMask也是Landsat官方生成質(zhì)量評估(QA)波段所用的方法。U-Net是圖像分割領(lǐng)域中經(jīng)典的深度學(xué)習(xí)方法，Jeppesen等[11]使用UNet在Landsat8 biome數(shù)據(jù)集上進行的實驗取得了很好的效果。而且S-Net的空間特征提取部分也借鑒了U-Net的思想。Chai等[12]的實驗表明，SegNet的云檢測結(jié)果優(yōu)于多種神經(jīng)網(wǎng)絡(luò)模型。因此，將S-Net的分割結(jié)果與CFMask、U-Net、SegNet的分割結(jié)果做比較具有較高的說服力。

輸入是除全色波段的其余10個波段，將所有圖像按6∶4隨機劃分為訓(xùn)練集和測試集，并調(diào)整UNet的輸入通道數(shù)為10。將地物真實標簽(ground truth，GT)分為云與非云2類。Chai等[12]的研究表明輸入DN值(digital number)或大氣頂部(top of atmosphere，ToA)反射率數(shù)據(jù)，會取得相似的結(jié)果，我們選擇使用DN值作為模型輸入，并為使訓(xùn)練更加穩(wěn)定，對輸入進行歸一化。具體參數(shù)，如學(xué)習(xí)率為1e-2，批訓(xùn)練大小為8，采用動量為0.9的隨機梯度下降法訓(xùn)練，動態(tài)調(diào)整輔助損失與主損失的比例，輔助損失的權(quán)重逐漸降低，主損失的權(quán)重逐漸增高，二者權(quán)重的變化分為3個階段：(0.8,0.2)、(0.2,0.8)、(0,1)。本文所有實驗均在深度學(xué)習(xí)框架Pytorch上進行，操作系統(tǒng)為Ubuntu 16.04，處理器為NVIDIA Titan XP,內(nèi)存16 GB。

為客觀評定算法的有效性和優(yōu)越性，采用準確率 (Acc.)、召回率 (Rec.)、精確度 (Prec.)、F1值對結(jié)果進行評估。其中，準確率衡量像素分類正確的概率；召回率衡量屬于云的像素中被分類正確的概率，是漏警率的相反數(shù)；精確度衡量被識別為云的像素中真正是云的概率，是虛警率的相反數(shù)；F1值是召回率與精確度的調(diào)和平均數(shù)，常用于二分類問題，可以有效衡量樣本不均衡時檢測結(jié)果的好壞。

2.1 整體評估

在Landsat8 biome數(shù)據(jù)集上的實驗結(jié)果如表3所示，一共包括8種下墊面(即：裸土、森林、草地/農(nóng)田、灌木、冰雪、城市、水和濕地)。結(jié)果表明，S-Net在幾乎所有下墊面上的檢測結(jié)果均優(yōu)于其他算法(除了濕地稍落后于U-Net)。S-Net檢測結(jié)果的平均F1值達到0.951 5，高于U-Net的0.945 1、SegNet的0.938和CFMask的0.87；Acc.達到95.04%，高于U-Net的94.51%、SegNet的93.71%和CFMask的86.16%。雖然Prec.略低于U-Net，但平均Rec.達到95.88%，并全面領(lǐng)先SegNet與CFMask。需要強調(diào)的是，我們的模型非常輕量，參數(shù)量只有0.34 M個，而U-Net有28 M個參數(shù)，SegNet有30 M個參數(shù)。

表3 Landsat8 biome數(shù)據(jù)集上，S-Net、U-Net、CFMask、SegNet實驗結(jié)果對比Table 3 Comparison of S-Net, U-Net, CFMask, and SegNet experimental results on Landsat8 biome dataset

S-Net在計算時間上也具有較大優(yōu)勢。我們將SNet、U-Net、SegNet 3個模型在256×256大小的圖像上比較檢測時間，取遍歷1 000次的平均結(jié)果，S-Net的運行時間最少，SegNet最耗時，3個模型的消耗時間分別為42、57和63 ms。

S-Net對于碎云、細節(jié)也有良好的檢測與保持能力。U-Net與SegNet的識別更加光滑，使得一些細節(jié)被忽略，而我們的模型更加注重細節(jié)，這對于云檢測是一個很重要的能力。如圖5所示，從左到右依次為真彩色圖、人工標注、S-Net提取的光譜特征構(gòu)成的假彩色圖、我們的模型預(yù)測結(jié)果、U-Net結(jié)果、SegNet結(jié)果、CFMask結(jié)果，白色代表云，黑色代表非云，偶數(shù)行的圖像是奇數(shù)行圖像中黃色方框部分的放大結(jié)果，黃色方框的大小為20×20。圖5共展示了4景，下墊面各不相同，分別為城市、農(nóng)田、冰雪和裸土。在多種下墊面上，S-Net對于碎云均有良好的檢測能力，同時對于冰雪與裸土這樣的高亮地物，也有較低的虛警率。

2.2 碎云檢測評估

為充分體現(xiàn)S-Net的優(yōu)勢，本文進一步比較模型對碎云的檢測能力，并定義碎云為：面積(四連通)小于30個像素的云。由于此時計算Acc.已無意義，所以只選擇召回率Rec.、Prec.和F1值作為衡量準則。實驗表明，在識別碎云時，S-Net擁有0.180 2的平均F1值，顯著高于U-Net的0.154 7、SegNet的0.071 7和CFMask的0.091，僅在城市和農(nóng)田下墊面略遜于U-Net，在森林下墊面遜于CFMask，在所有下墊面優(yōu)于SegNet。

雖然在檢測碎云時，S-Net的表現(xiàn)顯著優(yōu)于其他算法，但F1也仍不到0.2。原因可能有兩點：1)檢測碎云具有較高的難度；2)人工在標注碎云時存在困難，數(shù)據(jù)存在錯誤。Scaramuzza等[20]的研究表明人工標注的數(shù)據(jù)可能存在7%左右的錯誤。尤其對于碎云，人工標注更加不準確，且碎云數(shù)量較小，對錯誤標簽更加敏感。我們發(fā)現(xiàn)，Landsat8 biome數(shù)據(jù)確實存在一些問題，圖6展示了一些存在問題的圖像樣本。同時，由于人工標注的不穩(wěn)定性，簡單地依靠評價指標可能并不能真實反應(yīng)模型的優(yōu)劣，因為大部分模型都很容易對于大面積的厚云(低下墊面信息的)有較好的識別能力；并且以這些標簽為真值進行的訓(xùn)練，可能也會存在問題。

當輸入的遙感圖像具有較少的波段時，光譜信息在云檢測任務(wù)中的權(quán)重就會降低，S-Net的性能會受到影響。

3 結(jié)論

云檢測一直是遙感領(lǐng)域的研究熱點與難點。本文提出一種兩階段的遙感圖像云檢測模型。相比于現(xiàn)有的深度學(xué)習(xí)模型，該模型更加輕量，并且具有更好的保持邊緣細節(jié)的能力和對小的碎云的檢測能力。我們注重遙感圖像光譜特征的提取，在第一階段利用1×1的卷積核專門提取光譜特征，使得檢測結(jié)果保持了“純粹性”，沒有受到其空間信息的干擾，并使其直達最終的分類層。再利用淺層encoder-decoder結(jié)構(gòu)，引入組卷積，對每個光譜特征分別計算空間信息。該模型充分利用遙感圖像多波段的特點，有效解決了現(xiàn)有方法在保持邊緣細節(jié)與擴大感受野之間的矛盾，并在Landsat8 biome數(shù)據(jù)集上達到了95%的準確率，基本還原了輸入影像的細節(jié)信息。

值得強調(diào)的是，Landsat8遙感衛(wèi)星可以提供豐富的光譜信息，這是S-Net能表現(xiàn)優(yōu)異的前提。

雖然S-Net表現(xiàn)優(yōu)異，但仍有一些方向值得研究。首先，S-Net采用了較為簡單的空間特征提取結(jié)構(gòu)，后續(xù)將探索更加適合云檢測的空間特征提取算法。其次，傳統(tǒng)方法對云檢測有大量的先驗知識，如何將這些先驗知識與深度學(xué)習(xí)方法結(jié)合也是后續(xù)的一個研究方向。