梁曉梅,孫 榮

(1. 桂林信息科技學(xué)院,廣西 桂林 541004;2. 桂林電子科技大學(xué),廣西 桂林 541004)

1 引言

當(dāng)前隨著航天科技的迅速發(fā)展,衛(wèi)星遙感也越來越廣泛的進(jìn)入大眾視野中。與此同時(shí),我國(guó)在遙感技術(shù)領(lǐng)域雖然起步較晚,但是近些年來取得了舉世矚目的應(yīng)用成就,尤其我國(guó)在農(nóng)業(yè)、國(guó)土資源、氣象、自然災(zāi)害、軍事打擊等軍用和民用領(lǐng)域取得了長(zhǎng)足的進(jìn)步。

當(dāng)前遙感領(lǐng)域隨著傳感器的精度越來越高,幅寬越來越大,衛(wèi)星的軌道高度越來越高,載荷機(jī)動(dòng)能力越來越大,星載存儲(chǔ)器越來越大等方面的變化,從而造成當(dāng)前衛(wèi)星的遙感影響數(shù)據(jù)量也越來愈大。然而隨著未來全球遙感衛(wèi)星數(shù)量加劇性的增長(zhǎng),海量大規(guī)模數(shù)據(jù)形式的遙感影像數(shù)據(jù)對(duì)傳統(tǒng)的數(shù)據(jù)挖掘算法提出了較為嚴(yán)峻的考驗(yàn),如何針對(duì)當(dāng)前大規(guī)模同構(gòu)或者異構(gòu)衛(wèi)星(星座)的要遙感影像數(shù)據(jù)進(jìn)行清晰的特征提取進(jìn)行對(duì)應(yīng)的數(shù)據(jù)挖掘迅速成為世界各國(guó)遙感領(lǐng)域的研究熱點(diǎn)問題。

我國(guó)在遙感衛(wèi)星的發(fā)展方面起步雖然較晚,但是近些年來隨著風(fēng)云、高分系列氣象衛(wèi)星相繼發(fā)射,尤其風(fēng)云四號(hào)衛(wèi)星在遙感領(lǐng)域已經(jīng)進(jìn)入國(guó)際遙感衛(wèi)星的先進(jìn)行列。該衛(wèi)星對(duì)我國(guó)在環(huán)境監(jiān)測(cè)、自然災(zāi)害分析、氣候分析、農(nóng)作物產(chǎn)量分析、地質(zhì)勘探等領(lǐng)域已經(jīng)發(fā)揮了不可或缺的作用。在這之中,風(fēng)云系列衛(wèi)星尤其在氣象領(lǐng)域?yàn)槲覈?guó)氣象信息的基礎(chǔ)研究、預(yù)報(bào)等方面具有非常重要的地位。

當(dāng)前針對(duì)衛(wèi)星遙感影像數(shù)據(jù)研究的過程中,衛(wèi)星圖像云檢測(cè)作為衛(wèi)星遙感數(shù)據(jù)研究的主要方向之一。首先衛(wèi)星圖像云檢測(cè)的主要任務(wù)是在衛(wèi)星下行遙測(cè)得到的遙感圖像中逐像素的確定每一個(gè)像素點(diǎn)確定圖像中的每個(gè)像素點(diǎn)是否為云,將云的確定成為一個(gè)二元分割問題。當(dāng)前關(guān)于云檢測(cè)問題的主要分類方法有傳統(tǒng)的基于閾值的云檢測(cè)分類方法[1]。該傳統(tǒng)經(jīng)典云檢測(cè)方法的主要思想是采用圖像的政府圖像像素點(diǎn)的閾值大小、衛(wèi)星載荷的傳感器精度以及遙感影像研究人員對(duì)下行遙測(cè)數(shù)據(jù)物理含義的理解,進(jìn)而確定整幅遙感圖像的像素點(diǎn)云。該方法在一段時(shí)間內(nèi)憑借實(shí)現(xiàn)簡(jiǎn)單、特定情況下也具有比較好的實(shí)用性效果等優(yōu)點(diǎn)得到了廣泛的應(yīng)用,但是隨著遙感影像的數(shù)據(jù)信息增加,數(shù)據(jù)量增大以及異構(gòu)衛(wèi)星之間的遙感影像相互組合,傳統(tǒng)經(jīng)典的基于閾值的云檢測(cè)方法存在了極大的限制。首先,基于閾值的云檢測(cè)方法,在進(jìn)行閾值選取的過程中主要依據(jù)專家對(duì)要遙感影像數(shù)據(jù)處理過程中的經(jīng)驗(yàn)、以及不斷迭代得出,該選取閾值參數(shù)的主要缺點(diǎn)為實(shí)時(shí)性較差;其次,基于閾值的遙感影像數(shù)據(jù)處理方法,閾值的選取同時(shí)跟當(dāng)前衛(wèi)星載荷的安裝位置、傳感器精度以及當(dāng)前的光環(huán)境,一旦其中的一個(gè)因素發(fā)生改變,閾值的適用性就大大降低、甚至不可用;最后,基于閾值的遙感數(shù)據(jù)處理方法對(duì)噪聲較為敏感,一旦下行遙感影像數(shù)據(jù)存在比較多的數(shù)據(jù)噪聲,云檢測(cè)的效果呈現(xiàn)急劇下降的趨勢(shì)。因此,傳統(tǒng)經(jīng)典的云檢測(cè)數(shù)據(jù)處理方法很難適用當(dāng)前大數(shù)據(jù)當(dāng)量、遙感影像異構(gòu)、強(qiáng)噪聲干擾、多姿態(tài)遙感數(shù)據(jù)的云檢測(cè)仿真和數(shù)據(jù)挖掘。

當(dāng)前隨著機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)以及星載計(jì)算機(jī)的高速發(fā)展,同時(shí)地面測(cè)控網(wǎng)絡(luò)的逐步高強(qiáng)度全球覆蓋,以機(jī)器學(xué)習(xí)為主的遙感影像云檢測(cè)仿真迅速引起國(guó)內(nèi)外學(xué)者注意,也取得了較為豐碩的研究成果。其中,比較典型的有基于稀疏感知的云檢測(cè)算法[2],[3],該方法的主要思想將遙感影像采用盡可能少的基本符號(hào)進(jìn)行線性組合來表示遙感影像中的主要特征;其次,Jie Geng等人提出了基于深卷積自編碼器的高分辨率SAR圖像分類方法[4]。潘聰[5]等人提出了基于模糊聚類的MODIS云檢測(cè)算法研究,該方法主要通過模糊C類均值對(duì)中分辨率的光譜遙感圖像的四個(gè)波段進(jìn)行聚類,從而為后面的云檢測(cè)做鋪墊。但是縱觀改論文可以看出,雖然采用了C類均值進(jìn)行聚類,在一定程度可以解決傳統(tǒng)經(jīng)典的閾值云檢測(cè)方法,但是該方法依然是屬于非監(jiān)督學(xué)習(xí)的云檢測(cè)算法。文獻(xiàn)[6][7]提出采用人工神經(jīng)網(wǎng)絡(luò)來完成對(duì)應(yīng)的云檢測(cè)仿真和云態(tài)勢(shì)識(shí)別。該方法主要采用人工神經(jīng)網(wǎng)絡(luò)對(duì)MODIS圖像進(jìn)行檢測(cè)和仿真,同時(shí)給文獻(xiàn)采用了不同的仿真,對(duì)冰云、水云以及混合云進(jìn)行了識(shí)別。雖然傳統(tǒng)的機(jī)器學(xué)習(xí)算法在一定程度上解決了傳統(tǒng)經(jīng)典的閾值方法的缺點(diǎn),但是針對(duì)強(qiáng)噪聲干擾、多源異構(gòu)遙感影像數(shù)據(jù)組合條件下,依然沒有較大的改觀。

近幾年隨著深度學(xué)習(xí)的技術(shù)的提出和快速發(fā)展,基于深度學(xué)習(xí)的云檢測(cè)方法迅速得到了世界研究學(xué)者注意。其中,Long[8]等人提出了采用全卷積神經(jīng)網(wǎng)絡(luò)的圖像層面的語義分割,并給出了對(duì)應(yīng)的檢測(cè)仿真?；贚ong等人的參考,不同的研究人員針對(duì)不同的研究問題對(duì)算法進(jìn)行了比較深入的改進(jìn),在這其中比較典型的改進(jìn)方法有,Chen[9]等人提出的基于深度卷積網(wǎng)和全連通CRF的語義圖像分割算法;Dai[10]等人提出的利用包圍盒監(jiān)督卷積網(wǎng)絡(luò)進(jìn)行語義分割算法;Lin[11]等人提出了用于高分辨率語義分割的多路徑細(xì)化網(wǎng)絡(luò)算法。

縱觀所有云檢測(cè)算法可以看出,全卷積神經(jīng)網(wǎng)絡(luò)作為現(xiàn)階段比較典型、且比較高效的云檢測(cè)算法一直備受當(dāng)前研究學(xué)者的親賴,也取得了巨大的進(jìn)展,但是同時(shí)也發(fā)現(xiàn)針對(duì)強(qiáng)噪聲點(diǎn)干擾下的遙感影像數(shù)據(jù)云檢測(cè)處理研究的相對(duì)較少,因此本文針對(duì)強(qiáng)噪聲干擾下、大幅寬遙感影響數(shù)據(jù)進(jìn)行研究。首先,論文以當(dāng)前比較典型的遙感影像數(shù)據(jù),分別采用全卷積神經(jīng)網(wǎng)絡(luò)完成云檢測(cè)分析,緊接著文章將不同程度的干擾噪聲賦予遙感影像數(shù)據(jù),采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)完成影像數(shù)據(jù)分析。

2 遙感影像云檢測(cè)數(shù)據(jù)獲取與構(gòu)建

2.1 遙感影像云檢測(cè)數(shù)據(jù)集構(gòu)建

在進(jìn)行云檢測(cè)數(shù)據(jù)仿真的過程中,本文采用的是衛(wèi)星云圖數(shù)據(jù)來自我國(guó)在2016年12月11日利用長(zhǎng)征三號(hào)乙運(yùn)載火箭發(fā)射的新型靜止軌道氣象通信衛(wèi)星。

圖1 風(fēng)云四號(hào)A星全球衛(wèi)星云圖

相對(duì)于風(fēng)云Ⅱ號(hào)和風(fēng)云Ⅲ號(hào)氣象衛(wèi)星,風(fēng)云四號(hào)A星在軌運(yùn)行期間,實(shí)現(xiàn)了每間隔五分鐘完成對(duì)我國(guó)周邊成像一次的歷史性跨越。圖2為風(fēng)云四號(hào)A星的衛(wèi)星云圖數(shù)據(jù)。

圖2 風(fēng)云四號(hào)A星區(qū)域云圖

在進(jìn)行數(shù)據(jù)集構(gòu)建的過程中,本文主要以風(fēng)云四號(hào)A星搭載的AGRI 所提供的遙感印象數(shù)據(jù)為主。由于風(fēng)云四號(hào)A具有多個(gè)成像通道,在進(jìn)行構(gòu)建數(shù)據(jù)集的過程中主要采用如表1中的通道來及進(jìn)行構(gòu)建數(shù)據(jù)集。

表1 風(fēng)云四號(hào)A星云檢測(cè)相關(guān)數(shù)據(jù)通道

數(shù)據(jù)集構(gòu)建步驟如下:

● 首先從國(guó)家氣象科學(xué)數(shù)據(jù)中心獲取官方遙感數(shù)據(jù)文件。

● 對(duì)保存得到的原始圖像進(jìn)行歸一化、圖像增強(qiáng)白平衡處理等操作,為后面云檢測(cè)處理提升計(jì)算效率做準(zhǔn)備。

● 噪聲點(diǎn)引入,對(duì)AGRI各通道原始圖像加入白噪聲進(jìn)行處理。

3 基于全卷積網(wǎng)絡(luò)的遙感影像噪聲點(diǎn)云檢測(cè)算法

3.1 DenseNet卷積神經(jīng)網(wǎng)絡(luò)

在進(jìn)行云檢測(cè)的過程中,本文分析了當(dāng)前比較流行的云檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)模型,具體分析如表2所示。

表2 典型云檢測(cè)網(wǎng)絡(luò)

對(duì)過程中發(fā)現(xiàn),DenseNet的最大特點(diǎn)在與卷積網(wǎng)絡(luò)層中它建立了將網(wǎng)絡(luò)前面所有層與后面所有層進(jìn)行密集鏈接,同時(shí)通過特征在不同通道上的連接來實(shí)現(xiàn)特征的重復(fù)使用,也就是說在進(jìn)行網(wǎng)絡(luò)訓(xùn)練的過程中不同層的網(wǎng)絡(luò)特征可以重復(fù)使用,進(jìn)而可以充分使用全部圖像中的特征信息。因此,DenseNet卷積神經(jīng)網(wǎng)絡(luò)在圖像的分類、識(shí)別等方面取得了優(yōu)異的成績(jī),同時(shí)也深受云檢測(cè)領(lǐng)域的親賴。其中,圖3為DenseNet卷積神經(jīng)網(wǎng)絡(luò)的連接機(jī)制。

圖3 DenseNet網(wǎng)絡(luò)連接機(jī)制

3.2 DenseNet卷積神經(jīng)網(wǎng)絡(luò)云檢測(cè)

在采用DenseNet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行云檢測(cè)過程中,對(duì)于研究人員來講通常會(huì)選擇全條件隨機(jī)場(chǎng)連接模型對(duì)粗糙的預(yù)測(cè)結(jié)果進(jìn)行邊緣性的平滑處理,尤其對(duì)引入噪聲后的圖像進(jìn)行處理,從而進(jìn)一步恢復(fù)圖像的精度。因此在進(jìn)入噪聲后,本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)同時(shí)引入隨機(jī)場(chǎng)能量模型進(jìn)行后去噪和平滑處理。

其中,隨機(jī)場(chǎng)模型的能量函數(shù)表達(dá)式為[12]

(1)

其中,xi表示圖像中像素點(diǎn)i的標(biāo)簽以及像素點(diǎn)j對(duì)應(yīng)的觀測(cè)值xj;φu(xi)表示一元?jiǎng)菽芎瘮?shù),主要來自于卷積神經(jīng)網(wǎng)絡(luò)中對(duì)應(yīng)該層的前端網(wǎng)絡(luò)的輸出;φp(xi,xj)為像素點(diǎn)i,j對(duì)應(yīng)的二元?jiǎng)菽芎瘮?shù),其主要意義在于描述整幅圖像中不同像素之間的鏈接關(guān)系,同時(shí)該函數(shù)主要功能還可以將相同像素點(diǎn)分配相同的數(shù)據(jù)標(biāo)簽,從而進(jìn)一步實(shí)現(xiàn)整幅圖像的及細(xì)化分割。其中二元?jiǎng)菽芎瘮?shù)表達(dá)式為

(2)

其中,式(2)中wm表示像素點(diǎn)對(duì)應(yīng)的特征權(quán)重;km表示高斯核,主要依據(jù)像素點(diǎn)i,j來決定,其中表達(dá)式為

(3)

3.3 干擾噪聲引入

由于通關(guān)官網(wǎng)下載的高清遙感影像數(shù)據(jù)已經(jīng)是經(jīng)過去噪等處理過后的數(shù)據(jù),但是在實(shí)際的云檢測(cè)過程中由于衛(wèi)星載荷傳感器的精度、空間光線干擾等因素,總會(huì)使得通過衛(wèi)星下行得到的遙感數(shù)據(jù)存在不同形式的噪聲干擾。因此,為了盡可能會(huì)員整個(gè)遙感圖像梳理過程,同時(shí)提高算法的適用范圍,本文在進(jìn)行云檢測(cè)的過程中對(duì)原始圖像引入干擾噪聲。干擾噪聲主要以高斯噪聲為主,其中高斯噪聲的表達(dá)式為

(4)

結(jié)合DenseNet俊基神經(jīng)網(wǎng)絡(luò)以及干擾噪聲,整體的噪聲云檢測(cè)流程如圖4所示。

圖4 噪聲點(diǎn)云檢測(cè)流程

4 實(shí)驗(yàn)結(jié)果與仿真分析

4.1 評(píng)估指標(biāo)定義

為了評(píng)估不同方法在噪聲點(diǎn)云檢測(cè)過程中的準(zhǔn)確度,文章采用像素平均準(zhǔn)確度(MPA)和像素平均交并比(MIOU)來作為評(píng)估標(biāo)準(zhǔn)。表達(dá)式分別如下

(5)

(6)

其中,k表示為類別總數(shù);pij表示對(duì)像素i的類別進(jìn)行預(yù)測(cè)時(shí)得到的像素類別j的類別總數(shù);pii表示對(duì)像素i的類別進(jìn)行預(yù)測(cè)時(shí)得到的像素類別i的類別總數(shù)。

4.2 AGRI噪聲點(diǎn)云檢測(cè)仿真

在進(jìn)行仿真的過程中,本文選取公開的數(shù)據(jù)源作為仿真輸入,選取2019年8月8日08:00、13:00、14:00的第1902號(hào)臺(tái)風(fēng)“利奇馬”云圖作為仿真云圖輸入。仿真結(jié)果如圖5所示。

圖5 臺(tái)風(fēng)“利奇馬”13:00云圖

如圖6和圖8所示,可以看出本文提出的方法可以有效實(shí)現(xiàn)對(duì)遙感影像中云圖的檢測(cè),特別是針對(duì)云層中的細(xì)微處可以明顯檢測(cè)出.同時(shí)對(duì)比圖8和圖9可以看出,兩種方法雖然都可以進(jìn)行云檢測(cè),但是標(biāo)紅的三處很明顯采用BP網(wǎng)絡(luò)缺失部分邊緣點(diǎn)云數(shù)據(jù),采用本文提出的方法更好。

圖6 云檢測(cè)結(jié)果

圖7 臺(tái)風(fēng)“利奇馬”14:00云圖

圖8 本文方法云檢測(cè)結(jié)果

圖9 BP網(wǎng)絡(luò)云檢測(cè)結(jié)果

如表3所示,根據(jù)評(píng)估指標(biāo)可以看出,采用本文提出的方法無論在MPA還是在MIOU方面的性能都明顯好于BP網(wǎng)絡(luò)。

表3 云檢測(cè)結(jié)果對(duì)比

5 結(jié)論

針對(duì)當(dāng)前大多數(shù)云間算法術(shù)采用基于閾值法的等傳統(tǒng)經(jīng)典的分析方法,同時(shí)該方法在強(qiáng)噪聲、多元遙感影像數(shù)據(jù)云檢測(cè)處理過程中存在十分依賴先驗(yàn)知識(shí)、同時(shí)受主觀的影響比較大等缺點(diǎn)。本文提出了基于全卷積神經(jīng)網(wǎng)絡(luò)的遙感影像噪聲點(diǎn)云檢測(cè)的分析方法,該方法通過建立對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò),同時(shí)引入干擾噪聲還原初始圖像,通過卷積神經(jīng)網(wǎng)絡(luò)處理后,采用隨機(jī)場(chǎng)模型函數(shù)對(duì)圖像進(jìn)行平滑處理得到更為清晰準(zhǔn)確的云圖影像數(shù)據(jù)。最后論文采用風(fēng)云氣象衛(wèi)星云圖進(jìn)行仿真,結(jié)果表明該算法可很好的完成對(duì)云圖遙感影像的數(shù)據(jù)分析,特別是針對(duì)邊緣云圖也可完成分析提取。