基于改进U-Net网络的遥感图像云检测

doi:10.13474/j.cnki.11-2246.2020.0070

测绘通报 ›› 2020, Vol. 0 ›› Issue (3): 17-20,34.doi: 10.13474/j.cnki.11-2246.2020.0070

基于改进U-Net网络的遥感图像云检测

张永宏¹, 蔡朋艳¹, 陶润喆¹, 王剑庚², 田伟³

1. 南京信息工程大学自动化学院, 江苏南京 210044;
2. 南京信息工程大学大气物理学院, 江苏南京 210044;
3. 南京信息工程大学计算机与软件学院, 江苏南京 210044

收稿日期:2019-08-21 修回日期:2019-10-18 发布日期:2020-04-09
通讯作者: 蔡朋艳。E-mail:2356852131@qq.com E-mail:2356852131@qq.com
作者简介:张永宏(1974-),男,博士,教授,主要从事遥感图像处理分析研究。E-mail:zyh@nuist.edu.cn
基金资助:
国家自然科学基金（41661144039；41875027）

Cloud detection for remote sensing images using improved U-Net

ZHANG Yonghong¹, CAI Pengyan¹, TAO Runzhe¹, WANG Jiangeng², TIAN Wei³

1. School of Automation, Nanjing University of Information&Technology, Nanjing 210044, China;
2. School of Atmospheric Physics, Nanjing University of Information&Technology, Nanjing 210044, China;
3. School of Computer and Software, Nanjing University of Information&Technology, Nanjing 210044, China

Received:2019-08-21 Revised:2019-10-18 Published:2020-04-09

摘要/Abstract

摘要： 为了解决U-Net模型应用于云检测时对碎云和薄云存在漏检的问题，本文提出了一种改进的U-Net网络模型，并应用于FY-4A数据进行云检测。首先，利用国家气象卫星中心提供的云检测产品生成二分类云标签；其次，将U-Net模型的编码器与残差模块相结合，使得网络参数共享，并避免深层网络的退化问题；最后，在解码器中融入密集连接模块，将浅层特征与深层特征进行连接，便于获取新的特征，并提高特征使用率。试验结果表明，模型在测试集上的IOU值和Dice系数分别为91.5%和95.2%，可以很好地检测出薄云及大量碎云，效果明显优于U-Net模型。

关键词: 云检测, U-Net, 残差模块, 密集连接模块, FY-4A

Abstract: An improved U-Net model is proposed to solve the problem that missing detection of fragmentary clouds and thin clouds when U-Net is applied to detect clouds, and applied to cloud detection of FY-4A data. Firstly, the cloud inspection product of the National Meteorological Satellite Center is used to generate binary cloud label. Secondly, the encoder of U-Net is combined with residual block to share parameters and avoid degradation of deep network. Finally, the dense block is integrated into the decoder to connect the shallow features with the deep features, which is conducive to acquiring new features and improving the utilization rate of features. The experimental results show that the IOU and Dice coefficients of the model on the test set are 91.5% and 95.2% respectively, which can detect thin clouds and a large number of broken clouds well, and the effect is obviously better than that of the U-Net model.

Key words: cloud detection, U-Net, residual block, dense block, FY-4A

中图分类号:

P237

张永宏, 蔡朋艳, 陶润喆, 王剑庚, 田伟. 基于改进U-Net网络的遥感图像云检测[J]. 测绘通报, 2020, 0(3): 17-20,34.

ZHANG Yonghong, CAI Pengyan, TAO Runzhe, WANG Jiangeng, TIAN Wei. Cloud detection for remote sensing images using improved U-Net[J]. Bulletin of Surveying and Mapping, 2020, 0(3): 17-20,34.

参考文献

[1] ZHANG Y,ROSSOW W B, LACIS A A, et al. Calculation of radiative fluxes from the surface to top of atmosphere based on ISCCP and other global data sets: refinements of the radiative transfer model and the input data[J]. Journal of Geophysical Research: Atmospheres, 2004, 109(D19): 105-115.
[2] 盛夏, 孙龙祥, 郑庆梅. 利用MODIS数据进行云检测[J]. 解放军理工大学学报(自然科学版), 2004(4): 98-102.
[3] 孙汝星, 范荣双. 基于支持向量机的多特征融合影像云检测[J]. 测绘与空间地理信息, 2018, 41(6): 153-156.
[4] 陈振炜, 张过, 宁津生, 等. 资源三号测绘卫星自动云检测[J]. 测绘学报, 2015, 44(3): 292-300.
[5] ZHANG Y, ZHAO D, SUN J, et al.Adaptive convolutional neural network and its application in face recognition[J]. Neural Processing Letters, 2016, 43(2): 389-399.
[6] 陈鸿翔. 基于卷积神经网络的图像语义分割[D]. 杭州: 浙江大学, 2016.
[7] GOLDBERG Y. A primer on neural network models for natural language processing[J]. Journal of Artificial Intelligence Research, 2016, 57: 345-420.
[8] 奚雪峰, 周国栋. 面向自然语言处理的深度学习研究[J]. 自动化学报, 2016, 42(10): 1445-1465.
[9] 罗仙仙, 曾蔚, 陈小瑜, 等. 深度学习方法用于遥感图像处理的研究进展[J]. 泉州师范学院学报, 2017, 35(6): 35-41.
[10] 徐逸之, 姚晓婧, 李祥, 等. 基于全卷积网络的高分辨遥感影像目标检测[J]. 测绘通报, 2018(1): 77-82.
[11] 徐启恒, 黄滢冰, 陈洋. 结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法[J]. 测绘通报, 2019(1): 50-55.
[12] DRÖNNER J, KORFHAGE N, EGLI S, et al. Fast cloud segmentation using convolutional neural networks[J]. Remote Sensing, 2018, 10(11): 1782.
[13] RONNEBERGER O, FISCHER P, BROX T. U-net: convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-assisted Intervention. [S.l.]: Springer, 2015: 234-241.
[14] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2016: 770-778.
[15] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2017: 4700-4708.
[16] 陆风, 张晓虎, 陈博洋,等. 风云四号气象卫星成像特性及其应用前景[J]. 海洋气象学报, 2017, 37(2): 1-12.
[17] 王淦泉, 沈霞. 风云四号辐射成像仪及其数据在卫星气象中的应用[J]. 自然杂志, 2018, 40(1): 1-11.

基于改进U-Net网络的遥感图像云检测

Cloud detection for remote sensing images using improved U-Net

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	窦世卿, 郑贺刚, 徐勇, 陈治宇, 苗林林, 宋莹莹. 基于U-Net3+的高分遥感影像建筑物提取[J]. 测绘通报, 2022, 0(6): 40-44.
[2]	张兴忆, 李佳田, 杨汝春, 陆大进, 张泽龙, 杨超. 端到端堆叠沙漏网络的遥感影像建筑物轮廓重构[J]. 测绘通报, 2022, 0(5): 67-73.
[3]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[4]	车子杰, 高飞, 吴兆福, 李振轩. 基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析[J]. 测绘通报, 2022, 0(1): 26-32.
[5]	王学文, 赵庆展, 田文忠, 龙翔, 江萍. U-Net模型对不同空间分辨率防护林提取精度的影响[J]. 测绘通报, 2021, 0(6): 39-43.
[6]	段雅鸣, 张锦水, 朱爽. 基于深度卷积神经网络的云检测方法[J]. 测绘通报, 2021, 0(4): 33-39.
[7]	王守志, 张福坤, 朱鹏飞, 詹昊, 张云姣, 奚歌. 材质和倾角属性筛选的光伏屋顶提取[J]. 测绘通报, 2021, 0(3): 96-99,151.
[8]	黄磊, 陈尔东昊. 基于多特征U-Net网络的工程活动图斑快速识别[J]. 测绘通报, 2021, 0(12): 75-78.
[9]	刘广进, 王光辉, 毕卫华, 刘慧杰, 杨化超. 改进D-LinkNet模型在国产卫星影像云检测中的应用[J]. 测绘通报, 2021, 0(11): 54-58,64.
[10]	刘云峰, 杨珍, 韩骁, 付俊. 国产高分辨率卫星影像云检测方法分析[J]. 测绘通报, 2020, 0(11): 66-70.
[11]	余长慧, 于海威, 张文, 孟令奎. 神经网络支持下的Sentinel-2卫星影像自动云检测[J]. 测绘通报, 2019, 0(8): 39-43.
[12]	许慧敏, 齐华, 南轲, 陈敏. 结合nDSM的高分辨率遥感影像深度学习分类方法[J]. 测绘通报, 2019, 0(8): 63-67.
[13]	殷亚秋, 冷玥, 赵玉灵, 安娜, 鞠星. 面向对象和GURLS结合的高空间分辨率遥感数据云检测[J]. 测绘通报, 2019, 0(5): 109-112,142.
[14]	付华联, 冯杰, 李军, 刘军. 基于随机森林的FY-2G云检测方法[J]. 测绘通报, 2019, 0(3): 61-66.
[15]	刘军, 郑群峰, 邢秀为, 陈训来, 陈潜, 钱静. 风云气象卫星影像自动精细云检测[J]. 测绘通报, 2019, 0(12): 45-49.