一种基于DCNN模型的云检测方法介绍

参考文献：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(04):33-39.

本文针对DCNN云检测方法严重依赖海量人工标记样本的问题,提出-种基于已有云检测方法结果的DCNN云检测模型发展方法。该方法利用Fmask对L andsat 8数据集提取云范围作为训练样本,采用DCNN模型进行训练。并在训练完成后利用包含不同下垫面的测试样本对模型性能进行检测,以验证本文方法的可能性。
1.1数据与预处理
本文采用Landsat 8 Biome(L8B)数据集中的96幅Landsat 8影像作为试验数据。L8B数据集由美国地质调查局(USGS)发布,包含96景具有人工标记云范围的Landsat8影像,其中32景还具有云阴影的标记结果。根据每幅影像主要覆盖的下垫面类型被归档为8种类型:裸地、森林、草地/农用地、灌丛带、冰雪覆盖、城市、水体及湿地。所有Landsat 8数据均通过辐射定标和大气顶层反射率计算。辐射定标由式(1)将L1A级数据的像素DN值转化为辐亮度值;通过式(2)将像素辐射亮度值转化为大气顶层反射率。其中，所有的校正参数均能在每景数据对应的头文件中进行查询和提取。

1.2数据集构建
针对本文提出的DCNN模型的训练和验证阶段,分别构建训练集和测试集两个数据集均由上述96景Landsat 8影像数据和对应的标记样本构成。其中,训集中的标记样本由发行版Python_Fmask软件生成；测试集中的标记样本直接由L8B数据集中的人工标记结果构成。训练集和验证集的可视化表达如图1所示。

1.3 DCNN模型
深度学习是机器学习的一个分支,其依托具有深层结构的人工网络对数据进行分层化、抽象化、可学习的表征。 近年来,作为深度学习主要模型架构之一的深度卷积神经网络(DCNN)取得了非常惊人的发展并成功应用于计算机视觉领域的各种应用中，如图像分类、图像分割和目标检测。
DCNN作为一种数据驱动的算法,依靠其逐层堆叠的采样层、卷积层对数据进行分层特征提取,并运用梯度优化算法,即反向传播算法对模型参数进行迭代优化。与传统分类器相比, DCNN可转换为多种变体以适应不同的任务, 并且在准确性和泛化性能方面具有优势。DCNN在训练和运用中,模型均会完成正向传播过程,即通过DCNN模型fp对输入的一-批数据X进行特征提取并归纳输出Y。特别的,在模型训练进程中,模型通过反向传播进行模型参数优化。即对DCNN正向传播的输出

本文采用U-Net模型进行试验。U_Net作为-种具有编码-解码结构的DCNN网络结构,如图2所示,在前半段采用步进式的池化和卷积操作逐渐压缩特征的大小,进而实现对输入特征的抽象和提取(编码);在后半段则采用卷积和反卷积组合的方式对抽象后的特征大小进行还原,以实现端对端的像素级检测。同时,通过跳跃链接的方式将编码和解码过程中具有相同大小的特征整合在一起，以实现多尺度的特征整合与提取。

试验评价方法
误差矩阵是精度评价的常用方法。通过构建误差矩阵可对DCNN模型云检测结果进行精度评价,精度评价度量指标见表1。

其中,交并比这一概念是计算机视觉领域常用的评价度量,其形容的是分类结果与真值中,某-类结果的交集和并集的比例,能够较好地形容预测结果与真值的一致性。召回率与准确率是基于混淆矩阵的度量, 分别反映模型在某一类中的错出误差和错入误差,该值越高则表示误差越小。另外, F1分数为准确率和召回率的综合度量,与交并比有 相似的评价作用;cm为混淆矩阵;TP、FP、TN、FN分别为True、False、 Positive和Negative的首字母缩写组合, 其表示模型在某一 类的识别结果中(识别为该类对应Positive ,反之对应Negative)在真值中(对应真值中该类为True ,反之为False)的数量。
2试验结果
下表为3种方法的精度评价结果。从定量评价结果中可以看出,训练所得的U-Net与Fmask具有相似的性能。但从U-Net和Fmask的精度评价结果来看, U_Net具有更高的总体精度和更高的云阴影F 1分数。U_Net与Fmask具有相似的云F 1分数和交并比(Io U)。但在准确率和召回率的对比_上, UNet结果云类别的召回率略高于Fmask ,准确率略小于Fmask ,这表明U-Net在云对象的划分上具有一定的性能优势。对于云阴影而言, U_Net结果中准确率高于Fmask ,召回率低于云阴影且U-Net更高的云阴影F1分数和的交并比。说明U_Net在云阴影的检测性能上优于Fmask.

本文还对验证集中每景图像检测结果中的云和云阴影面积与验证样本中对应类别面积进行了回归分析(如图3所示) ,在云覆盖率的回归分析中，U-Net和Fmask的回归曲线具有相同的截距,但是U-Net更接近1 : 1线,决定系数R2=0.68。说明U-Net检测结果较Fmask-与验证样本之间有更高的一致性。对于云阴影,由于Biome数据集中仅有一部分影像进行了云阴影标记,图3中,仅有该部分具有阴影标记的数据进行了回归分析。在云阴影的检测上, U_Net的回归曲线斜率略大于1 , 而Fmask的斜率远小于1 ,相比Fmask,U_Net在云阴影检测中出现了不同程度的漏分。然而，U_Net具有更高的决定系数R2=0.48 ,说明U-Net的阴影覆盖比例与参照样本具有更高的一致性。

为了能够直观地对云阴影检测性能进行分析,本文研究在8个下垫面土地覆盖类型中,各随机挑选一副影 像进行可视化评价，如图4所示。其中,图4(a)-(h)分别为城市、水体、裸地、灌木林、湿地、冰雪、草地及农田、森林下垫面的图像，每组图中从左至右依次为近红外、红、绿波段的假彩色合成图、L8B验证数据、Fmask结果和U-Net结果。根据图4可知,真值中的云和云阴影的标记偏向保守,而Fmask与U-Net在云和云阴影的检测上呈现出“贪婪的结果”,这也印证了前文定量评价中两者的漏分误差较低,而错分误差较高的结果。在大部分情况下, U_Net均具备Fmask相同的性能。但在冰雪覆盖的下垫面类型中, U-Net与Fmask均出现了一定的性能下降。对于Fmask而言, 冰雪地表有时会呈现出与云一样低温、且亮的特征,造成依赖固定阈值设定的Fmask方法无法对其展开有效的识别。对于U-Net而言,由于缺少温度波段的各种特征,冰雪成片分布、均一、高亮的特征与大片云相似，造成对模型云检测性能的干扰。

结果证明，由Fmask标记样本训练训练得到的模型, 在大范围的精度验证中, U-Net检测结果的总体精度达到87.65% , 高于Fmask的86.92%。以F1分数结果来看, U-Net和Fmask的云类别F1分数分别为0.866和0. 868 ,两者性能相当;而两者的云阴影类别F 1分数∪-Net (0.347)明显优于Fmask(0270),U-Net具有更好的云阴影检测性能。U_Net对于一些Fmask中常 见的误分有更好表现,并且运用效率远高于Fmask。同时, U-Net所用的输入数据仅为RGBN 4个波段,具有良好的实用性和扩展性。