Cloud-Net: 一个适用于 Landsat8 图像的端到端云检测算法

文章目录

Cloud-Net: 一个适用于 Landsat8 图像的端到端云检测算法

速览

被引	下载	收录	源码	引用
67	arxiv	IGARSS 2019（EI 会议检索）	GitHub	BibTeX 引用格式如下

@inproceedings{mohajerani2019cloud,
  title={Cloud-Net: An end-to-end cloud detection algorithm for Landsat 8 imagery},
  author={Mohajerani, Sorour and Saeedi, Parvaneh},
  booktitle={IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium},
  pages={1029--1032},
  year={2019},
  organization={IEEE}
}

摘要

Cloud-Net 在 Fully Convolutional Network（FCN，全卷积网络） 的基础上做了一些改进。在基准数据集上进行实验，其 Jacard Index（ IOU）指标优于最新方法（论文中指 FCN） 8.7%。

关键字：云检测， Landsat，卫星，图像分割

引言

首先，介绍了云检测工作的重要性。
然后，对前人的研究进行了总结，将云检测方法系统地分为三类：

基于阈值的方法
- Fmask
- 改进的 Fmask
手工制作
- Haze Optimized Transformation
基于深度学习的方法
- CNNs
  - U-Net
  - FCN
  - ……

最后，简单描述了 Cloud-Net 能够以端到端的方式从整个遥感图像中学到局部和全局的特性，具有更好的性能。

方法

Cloud-Net 的结构如下：

在这里插入图片描述

图1 Cloud-Net 结构

实验

数据集

38-Cloud: A Cloud Segmentation Dataset：点击这里从 Kaggle 下载

共 38 景 Landsat 8 的图像。18 张用于训练，20 张用于测试。作者手工标注了 18 张训练图像，20 张测试图像没有手工标注，其标签是由改进的 Fmask 算法自动生成的。裁剪尺寸是 384×384，裁剪之后得到 8400 张训练图像，9201 张测试图像。

测试阶段

将测试集图片 resize 到 192×192，喂给训练好的模型，对网络预测的概率图进行二值化（阈值：0.047），然后 resize 到 384×384，最后拼接到原图的大小。（这里有两点疑问：（1）二值化阈值为什么要选择 0.047？（2）图片裁剪制作 patch 采用的是不重叠的方法，对于无法整除 384 的大图该如何裁剪，裁剪后又该如何拼接成原图的大小？）