神經網絡支持下的Sentinel-2衛星影像自動云檢測

余長慧，于海威，張 文，孟令奎

(武漢大學遙感信息工程學院，湖北 武漢 430079)

隨著高分辨率對地觀測技術的發展，利用遙感影像快速提取地物信息已成為遙感應用領域的重要工作。雖然目前已經開發了許多衛星影像分類方法以提取影像信息，但由于受云層遮擋影響，均難以實現精確、自動化提取。云層遮擋問題在光學影像中很普遍，相關研究表明，全球表面平均每年云覆蓋量接近66%[1- 2]。云的出現導致遙感影像局部模糊不清，很容易造成信息誤判。云檢測過程本質上可視為一種影像分類或分割任務，近年來大量研究圍繞云檢測展開。文獻[3—4]提出一種Fmask(function of mask)算法用于Landsat 4- 7影像云和云影檢測；文獻[5]通過對比同一區域有云與無云影像，識別出云覆蓋范圍；文獻[6]將常用機器學習算法用于Sentinel- 2影像，實現云、雪、陰影和水體等對象的檢測；文獻[7]采用高斯混合模型擬合影像灰度直方圖自動確定云像素灰度閾值；文獻[8]采用改進的顏色轉換模型、閾值分割及強度信息等進行云檢測；文獻[9]利用支持向量機區分云和非云區域，采用詞包模型解決云特征多樣化問題；文獻[10]利用光譜、幾何、紋理等特征實現對GF- 1 WFV數據的云檢測；文獻[11]提出一種自適應池化層嵌入神經網絡模型用于資源三號衛星影像云檢測；文獻[12]將GF- 1/2縮略圖分割成圖塊，建立多層卷積神經網絡模型檢測云層覆蓋范圍；文獻[13]提出一種疊加顏色、紋理、結構和統計信息的RGB圖像場景學習云檢測方法。

現有云檢測方法基本采用將整景影像分解成圖斑的方式，導致連續的云覆蓋現象被截斷，產生明顯具有塊狀效應的云覆蓋區域，真實空間精確度低；同時，傳統云檢測方法需要大量人工特征設計[14]，且測試數據過少，存在過擬合問題，難以推廣泛化，實際應用仍存在困難。針對以上問題，本文以Sentinel- 2衛星影像為數據源，首先建立神經網絡模型，通過預處理的遙感樣本訓練得到云檢測模型，然后對影像進行像素級分類獲取云覆蓋矩陣，最后結合云覆蓋矩陣準確獲取任意感興趣區影像云量。

1 原理與方法

當前各種圖像分類算法已比較成熟，尤其是以神經網絡為代表的深度學習分類算法，能夠進一步提高遙感影像分類及分割精度[15- 17]。但由于衛星影像質量難以保證，云層遮擋問題無法避免，遙感信息提取的實際效果始終受到制約。基于以上實際情況，本文著力解決高分辨率遙感影像信息提取中云干擾問題，總體方法流程如圖1所示。

1.1 遙感樣本準備

神經網絡模型性能在很大程度上受樣本數據影響，因此建立一個特征全面、類別均衡的大規模樣本數據集十分重要[18]。對遙感影像分類任務而言，可靠的驗證與測試數據需來源于全球不同地理位置、涉及所有可能地表類型與天氣狀態的衛星影像。驗證數據用于在不同模型之間選擇最佳模型，是模型能否應用于實際生產的關鍵，為保證模型對未知數據的預測能力，驗證數據必須能代表當前業務中全面、未知的數據。測試數據用于評測模型最終效果，在訓練過程中不可見，以確保通過測試數據評估出的模型性能與真實應用場景下對未知數據的預測效果是接近的。本文采用驗證數據集、測試數據集進行模型調整與測試。

數據源采用歐空局光學衛星Sentinel- 2 L1C影像，該衛星攜帶一個多光譜成像儀(MSI)，包含13個獨立波段，重訪周期為5 d，覆蓋可見光、近紅外、短波紅外等波譜范圍。本文采用文獻[6]從全球范圍選取的108景不同位置、時間和氣候的Sentinel- 2影像，并將均勻采樣和人工標注方式建立的Sentinel- 2影像公開數據集作為模型的驗證測試數據。將驗證測試數據隨機劃分成互斥且同分布的驗證數據集與測試數據集，使得模型調整與測試過程獨立且一致。對于訓練數據，則選取更大規模的Sentinel- 2影像建立一個全球性的訓練數據集。每個樣本由一個像素組成，包含13個波段，空間分辨率為10 m(分辨率不足10 m的波段進行重采樣)。樣本數據集由14 020 045個樣本組成，包括6 172 820個有云樣本和7 572 929個無云樣本，其中訓練集樣本有13 439 636個，驗證集樣本有290 204個，測試集樣本有290 205個。

1.2 云檢測模型

1.2.1 模型架構

深度神經網絡(DNN)是一種有監督學習的多層神經網絡算法，由輸入層、帶有激活函數的隱藏層和輸出層等組成。網絡中的多層神經元通過一系列非線性計算從原始像素中提取出圖像特征，并將其輸入分類器函數實現分類。原始像素輸入網絡后，先執行前向傳播過程，每一層神經元輸出值經過激活函數計算后作為下一層的輸入，輸出層之后計算損失函數，并依據損失值通過梯度下降算法對各層權重等參數進行迭代更新。

本文構建的DNN網絡結構如圖2所示，該模型包含輸入層、5個隱藏層、輸出層、Softmax分類層。輸入層是一個1×n[0]的輸入向量，為保證模型的泛化性與穩定性，該向量直接由重采樣后遙感影像n[0]個波段的原始像素構成(n[0]表示輸入層節點個數)，為降低計算成本，所有像素DN值均作縮小10 000倍處理。經大量試驗發現，輸入層n[0]=4時(輸入向量構成為:B02、B03、B04、B08波段)，模型在精確度和穩定性上已表現出較優性能。隱藏層用于自動計算影像抽象特征，每一層神經元以全連接方式與前一層神經元聯系，逐層深化特征提取。隱藏層中每層神經元設置一個非線性激活函數，由于現實世界中絕大多數問題都是無法線性分割的，激活函數的引入可以增加網絡的復雜度，提高模型擬合復雜非線性問題的能力。模型激活函數采用修正線性單元(rectified linear units，ReLU)，其非飽和性特點能夠使網絡自行引入稀疏性，加快模型學習速度，減弱深層網絡信息丟失問題[19]。

1.2.2 模型目標函數

云檢測本質上是分類問題，DNN模型的原始輸出層是一個數值向量，每個輸出節點對應一個數值。通過在神經網絡末層添加Softmax函數，將前向傳播計算結果轉化為一個類別概率分布，從而實現分類決策。為評價模型輸出向量與期望向量的近似程度，引入代價函數作為目標函數，計算方法為

(1)

式中，M為一次迭代輸入樣本批量；f為DNN云檢測模型；θ為模型參數，包括權重和偏置項；Loss為損失函數，本文采用交叉熵(cross entropy)損失函數，定義如下

(2)

式中，x(i)為第i個輸入樣本；f(x(i))為模型輸出的預測值概率分布；y(i)為對應樣本真實標簽；j為向量第j個元素。交叉熵函數刻畫了通過預測概率f(x)來表達真實概率y的困難程度，函數值越小模型輸出越接近真值。深度學習模型的學習過程本質上是通過大量樣本訓練，不斷迭代模型參數θ尋找代價函數的全局最優解，樣本數據越全面得到的全局最優解越可靠。

好的云檢測模型需要在復雜性(即對訓練樣本的擬合精度)和泛化能力(即正確識別未知數據的能力)這對相斥因素之間達到最佳平衡。模型過于復雜或樣本數據較少很容易產生過擬合問題，這將導致模型記憶訓練數據的隨機噪聲部分，對特定數據的擬合精度非常高，卻很難推廣泛化到新數據上。正則化方法可很好地避免過擬合問題，本文模型采用L2正則化，正則化系數為0.99，加入正則化后模型損失值計算方法如下

(3)

(4)

式中，JL(θ)為加入L2正則化后的代價函數，J(θ)由式(2)計算得出；λ為正則化系數；R(w)為L2正則化項，表示模型復雜度；L為網絡總層數(不包括分類層)；l為當前層數；n[l]為第l層神經元數量；i為上一層神經元位置；j為當前層神經元位置；w為權重參數。加入正則化項能夠合理限制權重大小，避免擬合隨機噪聲特征，從而訓練出更加平滑、通用的云檢測模型。

2 試驗與分析

2.1 模型訓練與測試

構建好DNN模型之后，批量輸入隨機打散的訓練樣本進行迭代訓練，單批量樣本規模為1像素×1像素×4bands×256，試驗環境為Windows10下TensorFlow1.8。經大量試驗發現，收斂速度更快的Adam等自適應學習率梯度下降算法，由于在訓練后期發生學習率震蕩，模型并未能收斂到全局最優解；而結合SGD(隨機梯度下降)與學習率指數衰減法的梯度下降法效果更好，該方法能夠以較大的學習步長快速得到一個較優解，并隨著迭代的進行逐步縮小學習率，使模型在訓練后期更加穩定地收斂于全局最優解。DNN模型初始化學習率為0.01，學習率衰減率設置為0.99。

訓練過程中模型在驗證集上的準確率變化如圖3所示，可以看出在前10 000次迭代中，云檢測DNN模型的準確率快速增加，并在20 000次后趨于穩定，經歷200 000次迭代后，模型的最終總體準確率達到90.4%。為定量評價云檢測模型在測試集上的性能表現，計算得到模型對290 205個測試數據的云像素召回率(Recall)為88.29%，查準率(Precision)為91.10%。

2.2 云檢測效果

選取5景Sentinel- 2衛星影像作為試驗數據驗證DNN模型的實際檢測效果，檢測效果如圖4所示。第1行為原始輸入影像，第2行為云檢測結果，第3行為云檢結果與原影像疊加效果圖。考慮到地物類型和時間不同對檢測結果的影響，選取影像覆蓋了不同地物：圖4(a)和圖4(b)主要地物為農田和山地，圖4(c)—(e)主要地物為城鎮和水域，其中圖4(a)、(b)和圖4(c)、(d)各為同一區域不同時間影像。圖4(b)和圖4(d)中主要包含卷云和薄云，圖4(c)和圖4(e)中部分區域被厚云覆蓋，圖4(a)中分布著大量碎云。

從圖4可以看出：本文提出的云檢測方法，在5組測試數據中獲得了良好的云檢測效果，原始影像上的厚云、卷云和絕大多數薄云均被檢測了出來。圖4(a)—(c)和圖4(e)檢測出的云邊界清晰，總體精度均在95%以上，部分細小的目視不易察覺的薄云也能被檢測出來，基本不存在誤檢與漏檢現象。圖4(d)的總體精度較低，不足92%，主要是由于誤檢造成的，經分析主要有以下兩個因素：一是存在把薄云周圍的非云像素誤檢為云像素的問題，因為標注薄云樣本時界限判定會存在誤差，即使人工目視解譯也很難確定薄云的明確界限；二是部分建筑高亮區域被誤判為云對象，在非建筑區提取工作中，感興趣區外檢測值會被掩蓋掉，不參與最終云量計算，對實際應用影響較小。根據上述分析發現，本文提出的云檢測方法效果較好，能夠識別高分辨率影像中復雜的云覆蓋特征；空間精度較高，檢測結果對應原始影像空間分辨率，能夠滿足任意不規則區域的云檢測任務。

3 結 論

針對遙感信息提取工作中含云影像地物誤判問題，本文提出了一種面向地物目標范圍的高分辨率衛星影像自動云檢測方法。與現有方法相比，本文方法有以下優點：①通過DNN自動提取圖像抽象特征，而且提取出的圖像特征具有很強的代表性，無需進行煩瑣的人工特征設計；②云檢測結果與原影像空間分辨率相同，呈現為連續的云覆蓋現象，真實空間精度高；③模型基于大規模遙感樣本訓練而成，泛化能力較強，同時由于其數據驅動性特點，計算結果又可作為補充樣本進一步提高模型性能。后續研究將嘗試采用語義分割法分割出云區，借助更多語義信息解決高亮建筑區像素誤判問題，從而進一步提高云檢測精度。