基于全卷积网络的遥感影像噪声点云监测仿真

梁晓梅,孙 荣

(1. 桂林信息科技学院,广西 桂林 541004;2. 桂林电子科技大学,广西 桂林 541004)

1 引言

当前随着航天科技的迅速发展,卫星遥感也越来越广泛的进入大众视野中。与此同时,我国在遥感技术领域虽然起步较晚,但是近些年来取得了举世瞩目的应用成就,尤其我国在农业、国土资源、气象、自然灾害、军事打击等军用和民用领域取得了长足的进步。

当前遥感领域随着传感器的精度越来越高,幅宽越来越大,卫星的轨道高度越来越高,载荷机动能力越来越大,星载存储器越来越大等方面的变化,从而造成当前卫星的遥感影响数据量也越来愈大。然而随着未来全球遥感卫星数量加剧性的增长,海量大规模数据形式的遥感影像数据对传统的数据挖掘算法提出了较为严峻的考验,如何针对当前大规模同构或者异构卫星(星座)的要遥感影像数据进行清晰的特征提取进行对应的数据挖掘迅速成为世界各国遥感领域的研究热点问题。

我国在遥感卫星的发展方面起步虽然较晚,但是近些年来随着风云、高分系列气象卫星相继发射,尤其风云四号卫星在遥感领域已经进入国际遥感卫星的先进行列。该卫星对我国在环境监测、自然灾害分析、气候分析、农作物产量分析、地质勘探等领域已经发挥了不可或缺的作用。在这之中,风云系列卫星尤其在气象领域为我国气象信息的基础研究、预报等方面具有非常重要的地位。

当前针对卫星遥感影像数据研究的过程中,卫星图像云检测作为卫星遥感数据研究的主要方向之一。首先卫星图像云检测的主要任务是在卫星下行遥测得到的遥感图像中逐像素的确定每一个像素点确定图像中的每个像素点是否为云,将云的确定成为一个二元分割问题。当前关于云检测问题的主要分类方法有传统的基于阈值的云检测分类方法[1]。该传统经典云检测方法的主要思想是采用图像的政府图像像素点的阈值大小、卫星载荷的传感器精度以及遥感影像研究人员对下行遥测数据物理含义的理解,进而确定整幅遥感图像的像素点云。该方法在一段时间内凭借实现简单、特定情况下也具有比较好的实用性效果等优点得到了广泛的应用,但是随着遥感影像的数据信息增加,数据量增大以及异构卫星之间的遥感影像相互组合,传统经典的基于阈值的云检测方法存在了极大的限制。首先,基于阈值的云检测方法,在进行阈值选取的过程中主要依据专家对要遥感影像数据处理过程中的经验、以及不断迭代得出,该选取阈值参数的主要缺点为实时性较差;其次,基于阈值的遥感影像数据处理方法,阈值的选取同时跟当前卫星载荷的安装位置、传感器精度以及当前的光环境,一旦其中的一个因素发生改变,阈值的适用性就大大降低、甚至不可用;最后,基于阈值的遥感数据处理方法对噪声较为敏感,一旦下行遥感影像数据存在比较多的数据噪声,云检测的效果呈现急剧下降的趋势。因此,传统经典的云检测数据处理方法很难适用当前大数据当量、遥感影像异构、强噪声干扰、多姿态遥感数据的云检测仿真和数据挖掘。

当前随着机器学习、神经网络以及星载计算机的高速发展,同时地面测控网络的逐步高强度全球覆盖,以机器学习为主的遥感影像云检测仿真迅速引起国内外学者注意,也取得了较为丰硕的研究成果。其中,比较典型的有基于稀疏感知的云检测算法[2],[3],该方法的主要思想将遥感影像采用尽可能少的基本符号进行线性组合来表示遥感影像中的主要特征;其次,Jie Geng等人提出了基于深卷积自编码器的高分辨率SAR图像分类方法[4]。潘聪[5]等人提出了基于模糊聚类的MODIS云检测算法研究,该方法主要通过模糊C类均值对中分辨率的光谱遥感图像的四个波段进行聚类,从而为后面的云检测做铺垫。但是纵观改论文可以看出,虽然采用了C类均值进行聚类,在一定程度可以解决传统经典的阈值云检测方法,但是该方法依然是属于非监督学习的云检测算法。文献[6][7]提出采用人工神经网络来完成对应的云检测仿真和云态势识别。该方法主要采用人工神经网络对MODIS图像进行检测和仿真,同时给文献采用了不同的仿真,对冰云、水云以及混合云进行了识别。虽然传统的机器学习算法在一定程度上解决了传统经典的阈值方法的缺点,但是针对强噪声干扰、多源异构遥感影像数据组合条件下,依然没有较大的改观。

近几年随着深度学习的技术的提出和快速发展,基于深度学习的云检测方法迅速得到了世界研究学者注意。其中,Long[8]等人提出了采用全卷积神经网络的图像层面的语义分割,并给出了对应的检测仿真。基于Long等人的参考,不同的研究人员针对不同的研究问题对算法进行了比较深入的改进,在这其中比较典型的改进方法有,Chen[9]等人提出的基于深度卷积网和全连通CRF的语义图像分割算法;Dai[10]等人提出的利用包围盒监督卷积网络进行语义分割算法;Lin[11]等人提出了用于高分辨率语义分割的多路径细化网络算法。

纵观所有云检测算法可以看出,全卷积神经网络作为现阶段比较典型、且比较高效的云检测算法一直备受当前研究学者的亲赖,也取得了巨大的进展,但是同时也发现针对强噪声点干扰下的遥感影像数据云检测处理研究的相对较少,因此本文针对强噪声干扰下、大幅宽遥感影响数据进行研究。首先,论文以当前比较典型的遥感影像数据,分别采用全卷积神经网络完成云检测分析,紧接着文章将不同程度的干扰噪声赋予遥感影像数据,采用改进的卷积神经网络完成影像数据分析。

2 遥感影像云检测数据获取与构建

2.1 遥感影像云检测数据集构建

在进行云检测数据仿真的过程中,本文采用的是卫星云图数据来自我国在2016年12月11日利用长征三号乙运载火箭发射的新型静止轨道气象通信卫星。

图1 风云四号A星全球卫星云图

相对于风云Ⅱ号和风云Ⅲ号气象卫星,风云四号A星在轨运行期间,实现了每间隔五分钟完成对我国周边成像一次的历史性跨越。图2为风云四号A星的卫星云图数据。

图2 风云四号A星区域云图

在进行数据集构建的过程中,本文主要以风云四号A星搭载的AGRI 所提供的遥感印象数据为主。由于风云四号A具有多个成像通道,在进行构建数据集的过程中主要采用如表1中的通道来及进行构建数据集。

表1 风云四号A星云检测相关数据通道

数据集构建步骤如下:

● 首先从国家气象科学数据中心获取官方遥感数据文件。

● 对保存得到的原始图像进行归一化、图像增强白平衡处理等操作,为后面云检测处理提升计算效率做准备。

● 噪声点引入,对AGRI各通道原始图像加入白噪声进行处理。

3 基于全卷积网络的遥感影像噪声点云检测算法

3.1 DenseNet卷积神经网络

在进行云检测的过程中,本文分析了当前比较流行的云检测卷积神经网络模型,具体分析如表2所示。

表2 典型云检测网络

对过程中发现,DenseNet的最大特点在与卷积网络层中它建立了将网络前面所有层与后面所有层进行密集链接,同时通过特征在不同通道上的连接来实现特征的重复使用,也就是说在进行网络训练的过程中不同层的网络特征可以重复使用,进而可以充分使用全部图像中的特征信息。因此,DenseNet卷积神经网络在图像的分类、识别等方面取得了优异的成绩,同时也深受云检测领域的亲赖。其中,图3为DenseNet卷积神经网络的连接机制。

图3 DenseNet网络连接机制

3.2 DenseNet卷积神经网络云检测

在采用DenseNet卷积神经网络进行云检测过程中,对于研究人员来讲通常会选择全条件随机场连接模型对粗糙的预测结果进行边缘性的平滑处理,尤其对引入噪声后的图像进行处理,从而进一步恢复图像的精度。因此在进入噪声后,本文对卷积神经网络同时引入随机场能量模型进行后去噪和平滑处理。

其中,随机场模型的能量函数表达式为[12]

(1)

其中,xi表示图像中像素点i的标签以及像素点j对应的观测值xj;φu(xi)表示一元势能函数,主要来自于卷积神经网络中对应该层的前端网络的输出;φp(xi,xj)为像素点i,j对应的二元势能函数,其主要意义在于描述整幅图像中不同像素之间的链接关系,同时该函数主要功能还可以将相同像素点分配相同的数据标签,从而进一步实现整幅图像的及细化分割。其中二元势能函数表达式为

(2)

其中,式(2)中wm表示像素点对应的特征权重;km表示高斯核,主要依据像素点i,j来决定,其中表达式为

(3)

3.3 干扰噪声引入

由于通关官网下载的高清遥感影像数据已经是经过去噪等处理过后的数据,但是在实际的云检测过程中由于卫星载荷传感器的精度、空间光线干扰等因素,总会使得通过卫星下行得到的遥感数据存在不同形式的噪声干扰。因此,为了尽可能会员整个遥感图像梳理过程,同时提高算法的适用范围,本文在进行云检测的过程中对原始图像引入干扰噪声。干扰噪声主要以高斯噪声为主,其中高斯噪声的表达式为

(4)

结合DenseNet俊基神经网络以及干扰噪声,整体的噪声云检测流程如图4所示。

图4 噪声点云检测流程

4 实验结果与仿真分析

4.1 评估指标定义

为了评估不同方法在噪声点云检测过程中的准确度,文章采用像素平均准确度(MPA)和像素平均交并比(MIOU)来作为评估标准。表达式分别如下

(5)

(6)

其中,k表示为类别总数;pij表示对像素i的类别进行预测时得到的像素类别j的类别总数;pii表示对像素i的类别进行预测时得到的像素类别i的类别总数。

4.2 AGRI噪声点云检测仿真

在进行仿真的过程中,本文选取公开的数据源作为仿真输入,选取2019年8月8日08:00、13:00、14:00的第1902号台风“利奇马”云图作为仿真云图输入。仿真结果如图5所示。

图5 台风“利奇马”13:00云图

如图6和图8所示,可以看出本文提出的方法可以有效实现对遥感影像中云图的检测,特别是针对云层中的细微处可以明显检测出.同时对比图8和图9可以看出,两种方法虽然都可以进行云检测,但是标红的三处很明显采用BP网络缺失部分边缘点云数据,采用本文提出的方法更好。

图6 云检测结果

图7 台风“利奇马”14:00云图

图8 本文方法云检测结果

图9 BP网络云检测结果

如表3所示,根据评估指标可以看出,采用本文提出的方法无论在MPA还是在MIOU方面的性能都明显好于BP网络。

表3 云检测结果对比

5 结论

针对当前大多数云间算法术采用基于阈值法的等传统经典的分析方法,同时该方法在强噪声、多元遥感影像数据云检测处理过程中存在十分依赖先验知识、同时受主观的影响比较大等缺点。本文提出了基于全卷积神经网络的遥感影像噪声点云检测的分析方法,该方法通过建立对应的卷积神经网络,同时引入干扰噪声还原初始图像,通过卷积神经网络处理后,采用随机场模型函数对图像进行平滑处理得到更为清晰准确的云图影像数据。最后论文采用风云气象卫星云图进行仿真,结果表明该算法可很好的完成对云图遥感影像的数据分析,特别是针对边缘云图也可完成分析提取。