基于生成式對抗網絡的遙感影像云檢測方法

朱 清，侯恩兵

（1.安徽省基礎測繪信息中心，安徽 合肥 230031；2.安徽省智慧城市與地理國情監測重點實驗室，安徽 合肥230031）

星載衛星拍攝的原始遙感影像中，大約有50%以上被云層覆蓋，而云層的存在遮擋了地表的地理信息，同時也影響了影像的融合、配準等后續處理，因此，對原始衛星遙感影像進行云檢測是有必要的[1-2]。一般的，遙感影像包含紅、綠、藍以及紅外4個波段，而云在這4個波段中的像素值均為最小值，尤其在藍色與紅外波段中。很多遙感影像云檢測方法就是根據該特點分離云層與其他地物[3-4]，如將最大類間自適應閾值（Otsu）應用在遙感影像云檢測中[5]。該方法能取得較好的結果，但存在誤檢、漏檢的情況，如地表一些高亮反光物體（廠房屋頂、雪山、積雪等）會被誤檢為云，而一些薄云、小云塊則會被漏檢。同時，檢測閾值也需人為干預，適應能力有一定局限性。

近年來，隨著科學技術的發展，人們獲得的遙感影像數據分辨率不斷提高，深度學習的發展也為人們在遙感影像云檢測中的探索提供了一種新的方向。深度學習有著強大的非線性映射能力，能很好地學習到復雜數據中的復雜關系。許多研究者使用支持向量機（SVM）、人工神經網絡（ANN）等簡單網絡結構來進行云檢測，隨著硬件條件和數據質量的提升，更復雜的模型得以應用。2012年提出的AlexNet卷積神經網絡在ILSVRC 2012中大放異彩，獲得冠軍[6]。2015年，全卷積神經網絡在Pascal VOC-2012數據集圖像分割上取得了較好的分類結果[7]。卷積神經網絡是一種較為常用的深度學習算法，其參數通過梯度下降、反向傳播的方式進行調整。經過訓練的全卷積神經網絡可充分挖掘遙感影像中的特征，完成遙感影像中不同目標的分類[8]。2014年，Goodfellow I[9]等提出生成式對抗網絡，其在結構上受零和博弈的影響，由一個生成器和一個判別器組成。生成器和判別器均由不同的深度神經網絡構成[10]。

針對傳統方法在遙感影像云檢測中出現的漏檢、誤檢問題，本文提出了一種基于生成式對抗網絡的遙感影像云檢測方法。首先，使用原始遙感影像數據與人工分割好的云檢測圖訓練生成器網絡，同時使用人工分割好的云檢測圖訓練判別器網絡；再將生成器生成的結果交由判別器判斷，并將判斷結果反饋給生成器網絡，使之調整參數直至判別器認為生成器生成結果與人工分割好的云圖相差無異，訓練結束；最后使用訓練好的生成器進行遙感影像的云檢測，獲得檢測結果。

1 研究原理與方法

1.1 生成式對抗網絡（GANs）

GANs的靈感來源于博弈論中的納什均衡，由一個生成器和一個判別器構成。生成器的目的是盡量學習數據的真實分布，而判別器的目的則是盡量正確地判斷輸入數據是真實數據還是來自生成器。為了達到平衡，二者需要不斷地對自己進行優化，以提高生成能力和判別能力，其過程就是一個尋找納什均衡的過程。

GANs的運行方式如圖1所示。任意可微分函數均可由GANs的生成器和判別器表示。用可微分函數F和G分別表示判別器和生成器，它們的輸入分別是任意真實數據x和隨機變量y。G(y)為由G生成的盡量擬合真實數據分布pdata的樣本。若判別器的輸入來自真實數據，則被標注為1；反之，為0。F的目標是實現對輸入數據的二分判別，即數據是否來自真實數據；G的目標是使自己生成的數據與真實數據的分布盡可能保持一致，使得判別器無法判別生成數據的真偽。這個過程使得F和G不斷自我優化，直至雙方達到一種平衡[11]。

圖1 GANs計算流程圖

1.2 GANs學習原理

在給定生成器G的情況下，考慮最優化判別器F。與基于Sigmoid的判別模型一樣，訓練判別器F也是最小化損失函數的過程。具體的，此處損失函數為交叉熵，其表達式為：

式中，x來自于真實數據分布pdata(x)；y來自于先驗分布py(y)；E(*)為計算的期望值。特別的，此處來源于真實數據集的數據被標注為1，來自生成器的數據被標注為0。

給定生成器G，需要通過最小化式（1）得到最優解，在連續空間中，式（1）可寫為：

對任意的非零實數m和n，且有a∈[0,1]，表達式-mlog(a)-nlog(1-a)在m處得到最小值，因此給m+n定生成器G時，式（2）在處得到最小值，即為判別器最優解。

F(x)代表的是x來源于真實數據而非生成數據，當輸入數據來自于真實數據時，F的目標就是使輸出概率值F(x)趨近于1，而當輸入數據來自于生成數據G(y)時，F的目標就是正確判斷數據出處，使得F(G(y))趨近于0，同時G的目標是使其趨近于1。如此，GANs的目標函數可描述為：

在訓練時，同一輪參數更新中，一般先對F的參數更新k次再對G的參數更新一次。

1.3 生成器模型

全卷積神經網絡（FCNN）和卷積神經網絡（CNN）都是含有多層網絡的神經網絡模型，由感知器、BP神經網絡發展而來。與CNN的卷積層之后使用全連接層獲得固定長度向量進行分類不同，FCNN將全連接層替換為卷積層，利用反卷積的方式對前一層的輸出進行上采樣操作，恢復至與原圖同樣的大小，再對每個像素進行分類，得到最后的檢測結果。對圖像的卷積過程可描述為：

式中，l為卷積層所在的層數；w為卷積核的權重參數；b為偏置；f為激活函數，此處為Relu函數，在保持與Sigmoid相同作用的情況下做到較快收斂，同時減小梯度消失的問題。

本文使用AlexNet作為生成器模型，將其最后的全連接層改為卷積層。具體的AlexNet網絡結構如圖2所示[12-13]。

圖2 AlexNet網絡結構圖

1.4 判別器模型

為了得到更優性能的判別器，本文采用VGG作為判別器。相對于AlexNet，VGG采用了更深的網絡結構，能采集到更多的圖像特征，在性能上也優于AlexNet，可作為一個“更強大”的判別器來對抗生成器。VGG- 19網絡結構如圖3所示[12-13]。

2 實驗與結果分析

為了驗證基于生成式對抗網絡的遙感影像云檢測方法的有效性，將實驗結果與參考文獻[5]提出的Otsu云檢測方法和參考文獻[7]提出的FCNN作對比。以GF-1號原始遙感影像作為實驗對象，影像1如圖4a所示，空間分辨率為2 m，大小為8 856像素 ×8 976像素，云類型為薄云和厚云，地物類型主要為山體；影像2如圖4b所示，無云覆蓋，主要地物為城市、農田、湖泊，空間分辨率為2 m，大小為8 856像素×8 976像素。

圖3 VGG-19網絡結構圖

圖4 GF-1號原始影像

在數據準備階段，將檢測類別分為云和背景，使用GF-1號原始影像數據進行人工標注，并將圖片進行切分處理，共得到訓練樣本2 500片，主要用于模型的訓練和檢驗。實驗采用Linux下的Tensorflow機器學習框架，硬件環境為CPU i7處理器、GPU Nvidia 1080 8G內存；使用修改后的AlexNet作為生成器，修改后的VGG作為判別器。將生成器生成結果交由判別器判別，直至判別器認為生成數據來源于人工標志數據而非生成器生成數據為止。本文方法云檢測結果如圖5a、5d所示，Otsu的云檢測結果如圖5b、5e所示，FCNN云檢測結果如圖5c、5f所示。

圖5 3種方法云檢測效果對比

由圖5a、5b可知，本文檢測方法和Otsu方法獲取結果的云邊界清晰，能較好地識別出薄云和厚云；由圖5c可知，FCNN方法檢測厚云和薄云的效果最好，但邊界較模糊，也存在一些漏檢現象；由圖5e中可知，Otsu方法的檢測結果存在誤檢現象，將高反光物體誤檢測為云；由圖5d、5f可知，本文方法和FCNN方法不存在誤檢現象，具體對比如表1所示。

表1 3種方法云檢測效果對比

由表1可知，相對于Otsu方法和FCNN方法，本文所設計云檢測算法在識別率、識別精度上有一定優勢，且誤檢率和漏檢率較低。Otsu方法雖能有效檢測厚云和薄云，但也存在誤檢現象，未考慮云本身的形態學特征，因而對一些高亮物體無法進行排除判斷。FCNN方法能有效檢測厚云和薄云，也避免了誤檢現象，但存在一定的漏檢現象，同時檢測的云邊緣也不是特別清晰。

通過以上對比分析可知，本文提出的云檢測方法效果較好，能較好地學習到云的復雜特征，進而獲取較好的檢測結果。

3 結 語

本文將GANs應用到遙感影像云檢測中，在一定程度上彌補了傳統方法未考慮云形態學特征的不足。該方法可用于云區域提取、遙感影像質量控制等方面，其主要優勢包括檢測精度高、邊緣清晰、誤檢漏檢率低，適用于有云和無云圖像。下一步工作將探索檢測更多的面目標（如水域、農田、礦區等），以擴大本文方法的適用范圍，同時進一步優化該方法，獲取更高的檢測精度。

[1] ZHU Z, Woodcock C E. Object-based Cloud and Cloud Shadow Detection in Landsat Imagery[J]. Remote Sensing of Environment,2012,118(6):83-94

[2] ZHU Z, Woodcock C E. Automated Cloud, Cloud Shadow,and Snow Detection in Multi-temporal Landsat Data: an Algorithm Designed Specifically for Monitoring Land Cover Change [J]. Remote Sensing of Environment,2014(152):217-234

[3] 劉大偉,韓玲,韓曉勇.基于深度學習的高分辨率遙感影像分類研究[J].光學學報,2016,36(4):306-314

[4] 陳洋,范榮雙,王競雪,等.結合相位一致和分水嶺變換的高分辨率遙感影像分割方法[J].激光與光電子學進展,2017,54(9):381-386

[5] 高賢君,萬幼川,鄭順義,等.航空攝影過程中云的實時自動檢測[J].光譜學與光譜分析,2014,34(7):1 909-1 913

[6] Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[J].International Conference on Neural Information Processing Systems,2012,60(2):1 097-1 105

[7] LONG J, Shelhamer E, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,39(4):640

[8] YU Q, GONG P, Clinton N, et al. Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery[J]. Photogrammetric Engineering and Remote Sensing,2006,72(7):799-811

[9] Goodfellow I, Pougetabadie J, Mirza M, et al. Generative Adversarial Nets[C]. Advances in Neural Information Processing Systems,2014:2 672-2 680

[10] Heaton J. Ian Goodfellow, Yoshua Bengio, and Aaron Courville:Deep Learning[C]. Genetic Programming and Evolvable Machines,2017:1-3

[11] Bengio Y, Courville A, Vincent P. Representation Learning: a Review and New Perspectives[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,35(8):1 798-1 828

[12] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-scale Image Recognition[M]. Computer Science,2014

[13] Deep Learning 回 顧 之 LeNet、AlexNet、GoogLeNet、VGG、ResNet[EB/OL].[2016-08-30].http://www.cnblogs.com/52machinelearning/p/5821591.html