国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

無人工標(biāo)注數(shù)據(jù)的Landsat影像云檢測(cè)深度學(xué)習(xí)方法

2021-03-19 00:27:30仇一帆柴登峰
自然資源遙感 2021年1期
關(guān)鍵詞:陰影像素精度

仇一帆,柴登峰

(浙江大學(xué)地球科學(xué)學(xué)院,杭州 310027)

0 引言

Landsat系列衛(wèi)星自1972年發(fā)射至今一直持續(xù)對(duì)地觀測(cè),提供了全球范圍長(zhǎng)時(shí)序連續(xù)陸地遙感記錄,是目前應(yīng)用最廣泛的遙感數(shù)據(jù)集之一。然而,Landsat系列衛(wèi)星與其他光學(xué)傳感器一樣,容易受到云層及其陰影影響,研究表明,地球表面的年均云層覆蓋率在中緯度地區(qū)大約為35%,全球范圍內(nèi)約為58%~66%[1-3]。遙感影像上,被云層遮擋的像素變亮,被云陰影遮擋的像素變暗,地表特征模糊[4-6],干擾地物信息的提取,影響研究結(jié)果的準(zhǔn)確性。因此,云和云陰影檢測(cè)是Landsat影像產(chǎn)品生產(chǎn)的重要環(huán)節(jié)。

目前美國(guó)地質(zhì)調(diào)查局(United States Geological Survey, USGS)官方使用CFMask(C function of Mask)算法來檢測(cè)影像上的云和云陰影,檢測(cè)結(jié)果作為質(zhì)量評(píng)估(quality assessment, QA)波段保存于Landsat Collection 1 Level 1產(chǎn)品中。CFMask是Fmask(Function of Mask)算法的C語(yǔ)言實(shí)現(xiàn)[1,6-7],通過分析Landsat影像所有波段的大氣層頂(top of atmosphere, TOA)表觀反射率和亮度溫度,基于云和云陰影的物理屬性建立閾值規(guī)則逐像素進(jìn)行檢測(cè)。這種基于閾值規(guī)則的方法在遙感影像云和云陰影檢測(cè)領(lǐng)域應(yīng)用廣泛,但受到傳感器類型、地理位置、大氣條件等因素影響,閾值的選擇通常難以把握; 而且為了保證精度,往往會(huì)設(shè)定大量閾值規(guī)則,例如FMask就使用了超過20組閾值,增加了該方法的使用和遷移難度[6,8]。除此之外,常用的Landsat影像云和云陰影檢測(cè)方法還包括多時(shí)相檢測(cè)法和統(tǒng)計(jì)學(xué)方法。多時(shí)相檢測(cè)法基于云和云陰影的動(dòng)態(tài)性,通過比較恒定視角多時(shí)相影像的光譜差異構(gòu)建云檢測(cè)算法[5,9]。雖然研究結(jié)果表明多時(shí)相檢測(cè)法能有效提高云檢測(cè)精度,但在實(shí)際應(yīng)用中諸如熱帶和亞熱帶等全年多云的地區(qū)很難獲取無云觀測(cè)作為參考,限制了現(xiàn)有多時(shí)相檢測(cè)方法的應(yīng)用?;诮y(tǒng)計(jì)學(xué)思想利用空間特征和光譜特征來估計(jì)影像整體云覆蓋率[10]或檢測(cè)影像上的云層[11-12]也是云和云陰影檢測(cè)的一種常見思路。

計(jì)算機(jī)性能的提升和深度學(xué)習(xí)的發(fā)展為云和云陰影檢測(cè)帶來了新思路[13-14],如Chai等[15]利用SegNet模型將像素劃分為云、薄云、云陰影或無云4個(gè)類別,實(shí)現(xiàn)了Landsat影像上的云和云陰影檢測(cè)。深度學(xué)習(xí)方法通常依賴大規(guī)模標(biāo)注數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)模型,而這些數(shù)據(jù)往往是通過人工標(biāo)注的方式來獲取的,成本高、耗時(shí)長(zhǎng)、具有主觀性,不利于訓(xùn)練出具有實(shí)用價(jià)值的模型。為了解決這個(gè)問題,有學(xué)者提出了弱監(jiān)督學(xué)習(xí)概念,使用不充足或不準(zhǔn)確的監(jiān)督信息來訓(xùn)練模型,減少了人工標(biāo)注數(shù)據(jù)的使用,目前這個(gè)方法在計(jì)算機(jī)視覺領(lǐng)域已經(jīng)有了一定的突破[16-17],但具體到云和云陰影檢測(cè)研究上還沒有進(jìn)展。

針對(duì)上述遙感影像云和云陰影檢測(cè)方法存在的問題,本文受弱監(jiān)督學(xué)習(xí)思想啟發(fā),利用CFMask產(chǎn)生的云和云陰影檢測(cè)結(jié)果作為弱監(jiān)督學(xué)習(xí)樣本訓(xùn)練SegNet深度神經(jīng)網(wǎng)絡(luò),整個(gè)訓(xùn)練過程不使用人工標(biāo)注的先驗(yàn)數(shù)據(jù)。模型訓(xùn)練完成后,對(duì)新圖像進(jìn)行檢測(cè)并驗(yàn)證檢測(cè)精度,定量化描述研究結(jié)果。旨在探討脫離人工標(biāo)注數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行Landsat影像云和云陰影檢測(cè)的可行性,為后續(xù)實(shí)現(xiàn)更加完善的云和云陰影檢測(cè)奠定基礎(chǔ)。

1 研究數(shù)據(jù)

1.1 數(shù)據(jù)描述

實(shí)驗(yàn)數(shù)據(jù)來自Landsat Collection 1 Level 1產(chǎn)品和Landsat8云覆蓋評(píng)估(cloud cover assessment, CCA)驗(yàn)證數(shù)據(jù)集[18]。

Level 1產(chǎn)品包含10個(gè)30 m空間分辨率波段,1個(gè)60 m空間分辨率的全色波段,以及QA波段。QA波段中包含的云和云陰影信息依據(jù)CFMask算法生成,根據(jù)表1列出的QA波段bit位描述或文獻(xiàn)[19]提供的59類QA波段值解釋規(guī)則可以解譯出影像上的云和云陰影信息。

表1 Landsat8 Collection 1 Level 1 QA波段bit位描述Tab.1 Landsat8 Collection 1 Level 1quality band bit designations

如表1所示,QA值二進(jìn)制形式第4位是云像素標(biāo)識(shí),第7位和第8位存儲(chǔ)云陰影置信度信息。對(duì)于單個(gè)bit位存儲(chǔ)信息的情況,以第4位為例,若值為0表示該像素并非云像素,若值為1則為云像素; 對(duì)于用雙bit位表示的信息,以第7位和第8位為例,若從高位到低位分別為: “00”表示不存在云陰影; “01”表示云陰影存在的置信度很低(0~33%); “10”表示中等置信度(34%~66%); “11”表示置信度很高(67%~100%)[19]。QA波段能提供較高精度的云和云陰影掩模,但仍存在一定的誤差,其數(shù)據(jù)標(biāo)簽并不是完全準(zhǔn)確的。本實(shí)驗(yàn)將30 m空間分辨率波段組合成的10通道多波段影像對(duì)應(yīng)TOA表觀反射率和亮度溫度作為輸入數(shù)據(jù),將QA波段派生為標(biāo)注數(shù)據(jù)來訓(xùn)練SegNet模型。

Landsat8 CCA驗(yàn)證數(shù)據(jù)由USGS地球資源觀測(cè)與科學(xué)中心創(chuàng)建,通過人工方式標(biāo)注出了影像上的云、薄云、云陰影和無云像素。驗(yàn)證數(shù)據(jù)共96個(gè)場(chǎng)景,均勻分布于全球各大洲,覆蓋荒地、森林、灌木地、草地/農(nóng)田、雪/冰、城市、濕地以及水域8個(gè)不同的生物群落區(qū)[1,18]。需要注意的是,Landsat8 CCA驗(yàn)證數(shù)據(jù)只用于評(píng)估檢測(cè)結(jié)果精度,不參與模型的訓(xùn)練過程。

1.2 數(shù)據(jù)預(yù)處理與樣本集構(gòu)建

由于Landsat影像圖幅較大,直接輸入深度神經(jīng)網(wǎng)絡(luò)占用內(nèi)存高,圖形處理器(graphics processing unit,GPU)很難負(fù)擔(dān),因此將各場(chǎng)景切割為互不重疊的512像素×512像素大小子景并存儲(chǔ)為png格式。影像上有一些不反映地物信息的填充像素,為了簡(jiǎn)化信息提取過程,在構(gòu)建樣本集時(shí)剔除了這些包含填充像素的切割圖像。最后,每個(gè)場(chǎng)景約有120個(gè)512像素×512像素大小子景用于樣本集的構(gòu)建,每個(gè)子景對(duì)應(yīng)10個(gè)多光譜波段和1個(gè)QA波段。

本文共構(gòu)建了3個(gè)樣本集,分別是: 用于訓(xùn)練SegNet網(wǎng)絡(luò)的訓(xùn)練樣本集,用于優(yōu)化網(wǎng)絡(luò)參數(shù)的驗(yàn)證樣本集,以及用于客觀評(píng)價(jià)網(wǎng)絡(luò)性能的測(cè)試樣本集。本研究以Landsat8 CCA 驗(yàn)證數(shù)據(jù)集的96個(gè)場(chǎng)景為研究對(duì)象,這些場(chǎng)景均勻分布于全球范圍,包含所有生物群落區(qū)類型,具有代表性。96個(gè)場(chǎng)景中,有64個(gè)場(chǎng)景未標(biāo)注出云陰影,不能用于精度驗(yàn)證,將這64個(gè)場(chǎng)景每個(gè)場(chǎng)景切割后的子景按80%和20%的比例隨機(jī)分配為訓(xùn)練樣本和驗(yàn)證樣本; 其余32個(gè)場(chǎng)景標(biāo)注完整,用于構(gòu)建測(cè)試樣本集。訓(xùn)練、驗(yàn)證、測(cè)試樣本集中子景數(shù)量和切割圖像數(shù)量如表2所示。

表2 樣本集子景數(shù)量和切割圖像數(shù)量Tab.2 The number of subscenes and images in sample set

2 云和云陰影檢測(cè)算法

本文方法實(shí)驗(yàn)流程如圖1所示。

圖1 實(shí)驗(yàn)方案技術(shù)流程Fig.1 Technical flowchart of experimental scheme

本方法將云和云陰影檢測(cè)視為語(yǔ)義分割問題,利用整幅影像的空間信息和所有波段的光譜特征對(duì)圖像進(jìn)行分割,最后依據(jù)表1的QA波段位描述將語(yǔ)義分割結(jié)果標(biāo)記為云、無云或云陰影,完成遙感影像云和云陰影檢測(cè)。

2.1 SegNet模型

本文參考文獻(xiàn)[20]構(gòu)建了SegNet語(yǔ)義分割模型,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,從輸入圖像開始,從左向右依次經(jīng)過編碼器(Encoder)、解碼器(Decoder)和Softmax分類器,最后到達(dá)輸出層,完成端到端的像素級(jí)分割任務(wù)。SegNet可以接受任意尺寸的輸入圖像,其原型結(jié)構(gòu)的輸入為3通道圖像,本文為了能更好地學(xué)習(xí)和利用Landsat影像特征,設(shè)置模型的輸入圖像通道數(shù)為10,本文中輸入圖像尺寸為512像元×512像元。編碼器基于VGG網(wǎng)絡(luò),包括卷積層、批歸一化層、ReLu激活層和池化層,卷積層均采用3像元×3像元大小卷積核,第一層卷積層中卷積核個(gè)數(shù)設(shè)置為96,池化層采用最大池化操作,并記錄池化索引,圖像經(jīng)過編碼器各隱含層,實(shí)現(xiàn)對(duì)影像特征信息的低維提取; 解碼器包含上采樣層以及與卷積層一一對(duì)應(yīng)的反卷積層,利用編碼階段保存的最大池化索引還原圖像尺寸和邊界信息,重構(gòu)高維特征。編碼器-解碼器結(jié)構(gòu)大大減少了模型的訓(xùn)練參數(shù),提高了網(wǎng)絡(luò)效率,并對(duì)邊界的描述起到優(yōu)化作用。解碼器輸出的高維特征向量輸入Softmax分器,用于預(yù)測(cè)圖像上各像素所屬類別的概率并生成一個(gè)k通道的類置信圖(k為類別個(gè)數(shù)),尺寸與輸入圖像相同。最后,具有最大概率的類別輸出為語(yǔ)義分割結(jié)果。

圖2 基于SegNet的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure based on SegNet

2.2 參數(shù)設(shè)置與網(wǎng)絡(luò)訓(xùn)練

SegNet語(yǔ)義分割模型的訓(xùn)練以交叉熵?fù)p失函數(shù)最小化為目標(biāo),使模型對(duì)訓(xùn)練樣本的預(yù)測(cè)結(jié)果盡可能地與所給標(biāo)注數(shù)據(jù)標(biāo)簽相匹配。模型采用反向傳播(back propagation, BP)算法,計(jì)算網(wǎng)絡(luò)中所有權(quán)重?fù)p失函數(shù)的梯度,反饋給優(yōu)化器(Optimizer)以更新網(wǎng)絡(luò)參數(shù),實(shí)現(xiàn)交叉熵最小化。本文選擇自適應(yīng)矩估計(jì)(adaptive moment estimation, Adam)算法作為優(yōu)化器,Adam是一種自適應(yīng)學(xué)習(xí)速率的求解方法,實(shí)驗(yàn)證明它能較好地解決損失函數(shù)的最優(yōu)化問題,與其他優(yōu)化器算法相比綜合性能表現(xiàn)更佳[21-22],Adam的一階矩估計(jì)衰減速率設(shè)定為0.9,二階矩估計(jì)衰減速率為0.999; 學(xué)習(xí)速率初始值設(shè)定為1E-4,在每一輪參數(shù)更新過程中更新學(xué)習(xí)速率。為了防止出現(xiàn)過擬合,模型在對(duì)每個(gè)卷積層進(jìn)行RELU函數(shù)激活后,添加了一個(gè)dropout層,以一定的概率激活網(wǎng)絡(luò)上的神經(jīng)元,本文將激活概率設(shè)置為0.5。

2.3 精度評(píng)價(jià)

為了定量評(píng)價(jià)Landsat8影像云和云陰影檢測(cè)的精度,本文采用總體精度(overall accuracy, OA)和F1分?jǐn)?shù)作為評(píng)價(jià)指標(biāo)??傮w精度表示為檢測(cè)結(jié)果中分類正確的像素?cái)?shù)量占測(cè)試樣本集全部像素?cái)?shù)量的比值,F(xiàn)1分?jǐn)?shù)是對(duì)精確率和召回率的調(diào)和平均。2個(gè)評(píng)價(jià)指標(biāo)的計(jì)算公式分別為:

(1)

(2)

式中:i,j為類別標(biāo)識(shí);F1i為類別i的F1分?jǐn)?shù);Nij為本屬于類別j的像元預(yù)測(cè)為類別i的數(shù)量;pi和ri分別為類別i的精確率和召回率,計(jì)算公式如下:

ri=Nii/∑iNji,

(3)

pi=Nii/∑jNij。

(4)

3 實(shí)驗(yàn)結(jié)果分析

為了評(píng)估本文方法的有效性和可行性,對(duì)測(cè)試樣本集進(jìn)行云和云陰影檢測(cè),并與CFMask算法結(jié)果進(jìn)行對(duì)比分析。CFMask是Landsat官方云檢測(cè)方法,可以對(duì)全球范圍Landsat影像進(jìn)行無偏檢測(cè),綜合性能較好,具有權(quán)威性[1]。

3.1 定性分析

從實(shí)驗(yàn)結(jié)果中選取了5個(gè)典型場(chǎng)景進(jìn)行視覺評(píng)價(jià),如表3所示,影像1—5所示場(chǎng)景分別位于不同的生物群落區(qū)中,其下墊面分別為荒地、冰雪、植被(灌木)、水域和濕地; 從左至右依次是輸入圖像、地面真值、本文方法檢測(cè)結(jié)果以及CFMask檢測(cè)結(jié)果。輸入圖像以B4(R),B3(G),B2(B)合成顯示,真值為L(zhǎng)andsat8 CCA驗(yàn)證數(shù)據(jù)中經(jīng)人工方式標(biāo)注的云和云陰影掩模,檢測(cè)結(jié)果及真值中的云陰影、云和無云像元分別用紅色、綠色和藍(lán)色標(biāo)示。由于Landsat8 CCA驗(yàn)證數(shù)據(jù)提供的云和云陰影掩模在標(biāo)注時(shí)區(qū)分了云類別與薄云類別,而本文方法和CFMask算法在進(jìn)行云和云陰影檢測(cè)時(shí)均不區(qū)分云的厚薄,因此合并Landsat8 CCA驗(yàn)證數(shù)據(jù)中的云和薄云2個(gè)類別,統(tǒng)一作為云類別來進(jìn)行標(biāo)示,在后續(xù)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量分析時(shí),也作相同合并處理以驗(yàn)證計(jì)算結(jié)果的精度。對(duì)于Landsat數(shù)據(jù)的實(shí)際應(yīng)用而言,通常認(rèn)為云像元和薄云像元都是無效的,因此將云與薄云類別合并并不會(huì)影響對(duì)本方法有效性的判斷。由表3可知,總體而言,本文方法在不同生態(tài)環(huán)境、云屬種類或云層分布條件下均能較好地判定出云和云陰影位置,識(shí)別出云和云陰影的大致邊界。相比CFMask結(jié)果,本文方法檢測(cè)出的云和云陰影更準(zhǔn)確,與真值的匹配度明顯更優(yōu),如本文方法識(shí)別出了CFMask沒有識(shí)別出的表3中1號(hào)影像右側(cè)較薄的云層,對(duì)3號(hào)影像的卷云也有更好的識(shí)別效果,4號(hào)影像中CFMask方法結(jié)果過多估計(jì)了影像上的云層和云陰影,而本文方法改善了這一問題。

表3 云和云陰影檢測(cè)結(jié)果Tab.3 Cloud and cloud shadow detection results

3.2 定量分析

為進(jìn)一步驗(yàn)證所提方法的有效性可行性,本文利用Landsat8 CCA驗(yàn)證數(shù)據(jù)對(duì)檢測(cè)結(jié)果進(jìn)行精度驗(yàn)證,采用總體精度和F1分?jǐn)?shù)2個(gè)指標(biāo)進(jìn)行定量評(píng)價(jià),結(jié)果如表4所示。實(shí)驗(yàn)結(jié)果的總體精度為85.55%,云、云陰影和無云類別的F1分?jǐn)?shù)分別為78.14%,43.86%和90.62%,均高于CFMask結(jié)果。值得一提的是,與云檢測(cè)相比,精確的云陰影檢測(cè)難度更高,往往會(huì)出現(xiàn)大量漏檢和誤檢情況,而本文方法云陰影檢測(cè)結(jié)果的F1分?jǐn)?shù)較CFMask有所提高,且精確率從35.5%提高到44.5%,標(biāo)示著本方法一定程度上能夠改善云陰影檢測(cè)的精確程度,優(yōu)化云陰影檢測(cè)結(jié)果。

表4 測(cè)試樣本集檢測(cè)結(jié)果評(píng)價(jià)Tab.4 Evaluation of detection results (%)

對(duì)8個(gè)生物群落區(qū)進(jìn)行單獨(dú)統(tǒng)計(jì),大部分群落區(qū)的檢測(cè)精度優(yōu)于相同場(chǎng)景下的CFMask結(jié)果,其中,荒地、草地/農(nóng)田、城市、灌木地和水域5個(gè)生物群落區(qū)的檢測(cè)精度均超過90%,城市場(chǎng)景的云和云陰影檢測(cè)精度為91.49%,較CFMask結(jié)果提高了超過10.6%,檢測(cè)性能提升顯著。但是,本文所提方法對(duì)雪/冰區(qū)域的檢測(cè)結(jié)果精度較差,這一點(diǎn)在表3的2號(hào)影像中也有所體現(xiàn),經(jīng)過分析,認(rèn)為可能是由于訓(xùn)練樣本標(biāo)注數(shù)據(jù)在這個(gè)區(qū)域的準(zhǔn)確率過低(低于60%),導(dǎo)致錯(cuò)誤標(biāo)簽信息對(duì)訓(xùn)練過程造成的干擾難以忽視,模型無法正確地提取特征,因而出現(xiàn)分割結(jié)果誤差較大的問題,在后續(xù)研究中擬加入其他輔助條件做進(jìn)一步篩選以提高檢測(cè)的精確程度。

4 結(jié)論

1)本文利用CFMask云檢測(cè)結(jié)果替代人工標(biāo)注數(shù)據(jù)訓(xùn)練SegNet語(yǔ)義分割模型,檢測(cè)Landsat影像上的云和云陰影。結(jié)果表明,本文方法能夠?qū)崿F(xiàn)Landsat影像上的云和云陰影檢測(cè),總體精度達(dá)到85.55%,與CFMask結(jié)果相比有一定改善,證明了采用非人工標(biāo)注數(shù)據(jù)訓(xùn)練深度網(wǎng)絡(luò)模型進(jìn)行云和云陰影檢測(cè)的思路是可行的。

2)本文方法改進(jìn)了利用深度學(xué)習(xí)進(jìn)行云和云陰影檢測(cè)時(shí)依賴大規(guī)模像素級(jí)云和云陰影人工標(biāo)注數(shù)據(jù)的問題,降低了訓(xùn)練數(shù)據(jù)的獲取成本,為后續(xù)研究奠定基礎(chǔ)。

3)本方法在檢測(cè)精度上仍有進(jìn)一步提升的空間,下一步的研究工作擬通過結(jié)合其他篩選條件,對(duì)標(biāo)注數(shù)據(jù)中的顯著錯(cuò)誤,如冰雪與云的混淆錯(cuò)誤,進(jìn)行初步糾正后再用于網(wǎng)絡(luò)模型訓(xùn)練來進(jìn)一步提高Landsat影像云和云陰影檢測(cè)精度。

猜你喜歡
陰影像素精度
趙運(yùn)哲作品
藝術(shù)家(2023年8期)2023-11-02 02:05:28
像素前線之“幻影”2000
你來了,草就沒有了陰影
文苑(2020年11期)2020-11-19 11:45:11
“像素”仙人掌
基于DSPIC33F微處理器的采集精度的提高
電子制作(2018年11期)2018-08-04 03:25:38
讓光“驅(qū)走”陰影
陰影魔怪
GPS/GLONASS/BDS組合PPP精度分析
高像素不是全部
CHIP新電腦(2016年3期)2016-03-10 14:22:03
康定县| 伊金霍洛旗| 北京市| 张家口市| 元氏县| 墨脱县| 台前县| 宁河县| 叙永县| 渭源县| 白银市| 玛沁县| 双城市| 电白县| 镇巴县| 大宁县| 义乌市| 方正县| 崇明县| 来安县| 长春市| 张北县| 永善县| 福清市| 崇礼县| 云南省| 中方县| 历史| 桂阳县| 扶余县| 永寿县| 新沂市| 道孚县| 上高县| 江门市| 宽甸| 浦东新区| 莱州市| 偃师市| 阿坝县| 澄江县|