本发明涉及光学遥感影像处理，具体来说是一种基于场景级语义引导及块级边界解混的云检测方法。
背景技术：
1、云检测是一项旨在遥感图像中准确识别和区分云像素与非云像素的任务。遥感图像的背景通常呈现出复杂多变的特征，加之云的边缘及其阴影也常常呈现出不规则的形态，这使得云检测任务变得更加复杂。传统的方法在处理薄云区域时往往会出现误判，因为薄云区域呈现出弥散分布的特点，导致检测算法难以准确判断其是否为云像素。此外，传统方法提取的云边缘信息较为粗糙，容易忽略对碎云和细云的精确判断，进一步增加了云检测的难度。
2、目前，大多数基于深度学习的模型，特别是深度神经网络，能够有效地检测到具有大规模边界的云。然而，这些模型往往难以处理具有不稳定边界尺度的云，如小尺寸的云往往会被忽略。这表明了传统的深度学习方法在处理云检测任务时存在局限性，需要进一步改进。同时，与其他地物分割相比，云的形状不规则且多变，所以使用标准卷积提取特征时可能会引入较多无关信息，影响云检测的性能。
3、在处理图像时，目前大多数基于卷积神经网络的方法通常将图像裁剪成图块后送入网络。虽然这种块级方法保留了一定程度上的长程上下文信息，但由于云的几何特征和语义相关性无法在单个局部块中很好地表现出来，因此无法有效结合长程上下文信息和语义信息，限制了模型在云检测任务中的表现。因此，需要开发更加高效的方法，能够充分利用长程上下文信息和语义信息，从而提高模型在云检测任务中的性能表现。
技术实现思路
1、本发明的目的是为了解决现有云检测任务中对于薄且对比度低的云和云阴影区域的误检及漏检，同时边界的碎云、细云无法实现更精细的分割的问题，提供一种基于场景级语义引导及块级边界解混的云检测方法来解决上述问题。
2、为了实现上述目的，本发明的技术方案如下：
3、一种基于场景级语义引导及块级边界解混的云检测方法，包括以下步骤：
4、11）基于场景级语义引导及块级边界解混的云检测准备工作：对用于进行云检测的场景级遥感卫星影像进行波段合并；对场景级遥感卫星影像及标签进行裁剪得到块级遥感卫星影像及块级标签，并制作块级遥感卫星影像的位置标签；对场景级遥感卫星影像进行下采样操作，保持与块级遥感卫星影像相同大小；对场景级遥感卫星影像和块级遥感卫星影像标签进行归一化预处理；
5、12）构建更加适合提取不规则且多变形状的云的特征的条带卷积模块；
6、13）构建与训练基于场景级语义引导及块级边界解混的云检测模型：构建基于场景级语义引导及块级边界解混的云检测模型，将预处理后的块级遥感卫星影像和所对应的场景级遥感影像及标签输入基于场景级语义引导及块级边界解混的云检测模型中进行训练，得到训练好的基于场景级语义引导及块级边界解混的云检测模型；
7、14）对用于云检测的场景级遥感卫星影像进行波段合并、裁剪预处理，得到块级遥感卫星影像；对用于进行云检测的块级遥感影像和所对应的场景级遥感卫星影像输入训练好的分割模型得到最终的分割结果；
8、所述基于场景级语义引导及块级边界解混的云检测准备工作包括以下步骤：
9、21）读取用于进行云检测的场景级遥感卫星影像，将其导出成.tif格式影像；
10、22）将场景级遥感卫星影像的所有波段合并；
11、23）将场景级遥感卫星影像及标签进行不重叠裁剪，裁剪为384×384的固定大小，得到块级遥感卫星影像及块级标签；
12、24）在裁剪操作得到块级遥感卫星影像的过程中，根据其在场景级遥感卫星影像中的位置制作位置标签，通过0和1值进行表示。其中块级在场景级遥感卫星影像的位置区域像素值设置为1，其余位置为0；
13、25）将制作的位置标签下采样为384×384大小；
14、26）将场景级遥感卫星影像及场景级标签下采样为384×384大小；
15、27）将场景级标签与制作得到的位置标签在通道维度上进行拼接，得到新的场景级遥感卫星影像；
16、所述构建更加适合提取不规则且多变形状的云的特征的条带卷积模块包括以下步骤：
17、31）输入一个大小为c×h×w的特征图，经过水平和竖直条带卷积后得到c×h×1和c×1×w大小的特征；
18、32）将得到的两个特征经过卷积核为3的1d卷积得到卷积操作后的两个特征；
19、33）将卷积操作后得到的两个特征扩充后在对应相同位置求和得到大小为c×h×w的特征图；
20、34）通过1×1的卷积与sigmoid操作后与原输入对应像素相乘得到输出结果。
21、所述构建与训练基于场景级语义引导及块级边界解混的云检测模型包括以下步骤：
22、41）其中构建基于场景级语义引导及块级边界解混的云检测模型的具体步骤如下：
23、411）构建用于网络感知长程上下文信息和局部细节信息的场景级语义引导模块，场景级语义引导模块为一个交叉注意力机制；
24、412）构建用于提取更精细的细节特征以识别边界信息的块级边界解混模块，其块级边界解混模块为一个使用小卷积核的卷积网络；
25、413）构建用于提取抽象特征的编码器结构，编码器结构为一个普通3x3卷积层，一个批归一化层，一个relu线性激活单元构成的四个下采样块；
26、414）构建用于从不同尺度的特征中恢复云掩膜的解码器结构，其解码器结构包括四个普通3x3卷积层，一个批归一化层，一个relu线性激活单元构成的上采样块；
27、415）构建用于将不同尺度的浅层空间信息和深层语义信息结合起来的跳跃连接结构，其跳跃连接结构为拼接两个输入为一个输出；
28、42）其中训练基于场景级语义引导及块级边界解混的云检测模型的具体步骤如下：
29、421）首先将块级和场景级遥感卫星影像输入云检测模型中；
30、422）通过正向传播，得到分割概率；
31、423）使用交叉熵cross entropy损失作为网络模型的损失函数对分割概率进行计算得到分割损失；
32、424）反向传播确定梯度向量，更新模型参数；
33、425）重复上述过程直到设定次数或误差损失的平均值不再下降，训练完成，得到基于场景级语义引导及块级边界解混的云检测模型。
34、所述对基于场景级语义引导及块级边界解混的云检测模型测试和求解包括以下步骤：
35、51）读取用于测试的场景级遥感卫星影像，将其导出成.tif格式影像；
36、52）将场景级影像的所有波段合并；
37、53）将场景级影像及场景级标签进行不重叠裁剪，裁剪为384×384的固定大小，得到块级遥感卫星影像及块级标签；
38、54）将得到的块级遥感卫星影像输入到基于场景级语义引导及块级边界解混的云检测模型；
39、55）得到分割好的云掩膜图。
40、有益效果
41、本发明涉及一种基于场景级语义引导及块级边界解混的云检测方法，与现有技术相比旨在解决传统方法中存在的误检、漏检以及无法实现精细分割的问题。通过引入场景级语义引导和块级边界解混模块，显著提升了云检测的精度和准确性。通过场景级语义引导模块不仅提供了长程上下文信息，还能捕捉局部细节，从而更好地理解图像中的场景信息，引导模型在处理云检测任务时能够更全面、更深入地分析图像内容。块级边界解混模块专注于提取细节特征以识别边界信息。综合考虑场景级语义引导和块级边界解混两大模块的作用，本发明的云检测方法相比传统方法能够更准确地区分云和云阴影区域，避免误检和漏检的问题，并且能够实现对边界更精细的分割，为云检测任务带来了重大的性能提升。
1.一种基于场景级语义引导及块级边界解混的云检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于场景级语义引导及块级边界解混的云检测方法，其特征在于，所述基于场景级语义引导及块级边界解混的云检测准备工作包括以下步骤：
3.根据权利要求1所述的一种基于场景级语义引导及块级边界解混的云检测方法，其特征在于，所述构建与训练基于场景级语义引导及块级边界解混的云检测模型包括以下步骤：
4.根据权利要求1所述的一种基于场景级语义引导及块级边界解混的云检测方法，其特征在于，所述对基于场景级语义引导及块级边界解混的云检测测试和求解包括以下步骤：
