針對(duì)目前大多數(shù)云檢測(cè)方法對(duì)薄-厚云之分檢測(cè)較少以及對(duì)云邊界檢測(cè)性能不理想、準(zhǔn)確率低等問(wèn)題,本文通過(guò)結(jié)合深度學(xué)習(xí)的優(yōu)勢(shì)提出了基于CNN的遙感影像云檢測(cè)方案。首先,將GF-1/2和ZY-3圖像進(jìn)行分割制作訓(xùn)練樣本,用深層雙分支卷積神經(jīng)網(wǎng)絡(luò)(CNN)在訓(xùn)練樣本中提取云的多尺度特征;其次,利用改進(jìn)的自適應(yīng)簡(jiǎn)單線性迭代聚類方法(ASLIC)將待檢測(cè)圖像分割成超像素作為云檢測(cè)的子區(qū)域。最后,通過(guò)網(wǎng)絡(luò)模型對(duì)待檢測(cè)子區(qū)域預(yù)測(cè)獲得云區(qū)結(jié)果。選取多種高分辨率衛(wèi)星圖像進(jìn)行云檢測(cè)試驗(yàn),并與單分支網(wǎng)絡(luò)模型、經(jīng)典SLIC方法進(jìn)行對(duì)比。結(jié)果表明,該方法可以在不同成像平臺(tái)很好地檢測(cè)薄-厚云及其整個(gè)云區(qū),且整個(gè)云區(qū)檢測(cè)的平均精度在94%以上。

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 SLIC算法與改進(jìn)算法
    1.1 SLIC算法基本原理
    1.2 改進(jìn)的ASLIC算法
        1.2.1 權(quán)衡顏色相似性與空間鄰近性比例的參數(shù)m
        1.2.2 超像素?cái)?shù)量N
2 卷積神經(jīng)網(wǎng)絡(luò)
    2.1 CNN模型設(shè)計(jì)
    2.2 網(wǎng)絡(luò)訓(xùn)練與測(cè)試
3 實(shí)驗(yàn)結(jié)果與分析
    3.1 改進(jìn)的ASLIC方法的有效性
    3.2 不同CNN結(jié)構(gòu)的性能
4 結(jié)束語(yǔ)



本文編號(hào)：3821666