基于深度置信網(wǎng)絡(luò)Otsu混合模型的自動云檢測算法

邱 夢,尹浩宇,陳 強,劉穎健

(中國海洋大學(xué) 計算機科學(xué)與技術(shù)系，山東 青島 266100)(*通信作者電子郵箱liuyj@ouc.edu.cn)

0 引言

國際衛(wèi)星云氣候計劃(International Satellite Cloud Climatology Project, ISCCP)提供的數(shù)據(jù)表明，在使用衛(wèi)星遙感技術(shù)獲得的地球信息中，地球表面50%以上被云覆蓋，云量占了很大的比率。云是一種重要的氣候要素，云數(shù)據(jù)的收集和有云區(qū)域的檢測可以幫助分析天氣情況、環(huán)境變化，了解氣候特征，對海表/地表大氣研究以及海表/地表反演工作有很重要的意義。對云的檢測與分類可以幫助有效防范與云相關(guān)的自然災(zāi)害，如臺風(fēng)、暴雨、雷電等，以減少生命財產(chǎn)損失。在某些研究領(lǐng)域，如海表溫度反演，大量云的存在會影響遙感數(shù)據(jù)的可用性，從而降低數(shù)據(jù)的利用率, 因此，云檢測問題已經(jīng)成為衛(wèi)星遙感數(shù)據(jù)應(yīng)用首要解決的問題，做好云檢測工作能為后續(xù)云剔除、云分類以及其他領(lǐng)域遙感數(shù)據(jù)的應(yīng)用打下堅實的基礎(chǔ)。

傳統(tǒng)的云檢測方法主要以閾值分割方法為主，云在可見光和近紅外光譜中表現(xiàn)的特性是高反射率低亮溫，利用這一特性，可以選擇合適的閾值確定像素上是否有云[1-2]。隨著遙感數(shù)據(jù)數(shù)量和種類的增加以及對云檢測精確度要求的不斷提高，固定閾值方法已經(jīng)無法滿足要求。動態(tài)閾值相對于固定閾值具有更好的靈活性、適應(yīng)性以及可擴展性，出現(xiàn)了一些自動分割或自動閾值云檢測方法[3-4]取代原有的固定閾值方法, 但是總體來說，目前已有的動態(tài)閾值方法自動化程度仍然較低，很難滿足云檢測的需要。 另一類傳統(tǒng)云檢測方法主要是根據(jù)云的紋理、形狀、灰度等物理特征來進行分類。支持向量機(Support Vector Machine, SVM)[5]、Bag-of-Words 模型[6]、貝葉斯時空算法[7]以及逐步求精算法[8]等分類算法在云檢測方面得到了較好的應(yīng)用, 但是依據(jù)云的物理特征進行分類時，計算量大且較為復(fù)雜，需要的數(shù)據(jù)種類也較多。近年來，一些新興的智能方法開始應(yīng)用于云檢測領(lǐng)域，主要是利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(Neural Network, NN)進行分類[9-10]，綜合多種算法模型也成為新的趨勢[11-13]。新興的智能云檢測方法相對傳統(tǒng)檢測方法自動化程度得到了一定的提升，但是泛化能力相對較弱，尤其在數(shù)據(jù)受冰雪影響較大時，檢測結(jié)果會產(chǎn)生較大偏差。

為了解決云檢測領(lǐng)域存在的上述問題，本文首先針對云的遙感特性以及遙感數(shù)據(jù)特點進行分析，找出合適的判據(jù)以及判斷方法，進行云的二值分割工作; 然后將深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)與最大類間方差法Otsu相結(jié)合，提出一種自動云檢測算法框架DOHM(DBN-Otsu Hybrid Model)，采用自適應(yīng)閾值代替?zhèn)鹘y(tǒng)人工標定固定閾值，從而實現(xiàn)云檢測的全自動化。通過與SVM、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network, PNN)、神經(jīng)網(wǎng)絡(luò)(NN)、樸素貝葉斯分類器(Bayes)和普通DBN算法等5種常用方法進行實驗對比，無論從可視化定性分析還是定量分析的角度，DOHM算法的云檢測結(jié)果均表現(xiàn)最優(yōu)。

1 云檢測研究基礎(chǔ)

1.1 云的遙感特性

在多光譜掃描輻射計得到的遙感數(shù)據(jù)中，每個像素點(Pixel)上的信息是該點的輻亮度信息，顯示了在一定譜段內(nèi)該像素點單位面積的輻射能量。組成成分不同，在光譜譜段的反射率等參數(shù)就會不同，所以可以利用這些特征來區(qū)分云和其他物質(zhì)，具體可以利用以下三種特性：

1) 對比度特性(Contrast Signature), 利用不同成分在太陽光光譜波段(0.3～3 μm)的反射性能不同和在熱紅外波段(3～20 μm)紅外輻射不同來區(qū)分不同的物質(zhì)，反射性能與成分有關(guān)，紅外輻射與溫度有關(guān)。在本文涉及的海域上空云檢測中，云和海表的反射率差距較大，相對于海表，云的反射率很高，在熱紅外波段，海表和云的亮溫明顯不同，利用這一點可以進行云區(qū)域的檢測。

2) 光譜特性(Spectral Signature), 主要是同一種物質(zhì)在不同波段的反射率有一定的區(qū)別，在熱紅外波段反射率隨波長變化。云在每個波段的反射率較為均勻，但薄云在短波光譜段上反射率較強。

3) 空間特性(Spatial Signature), 主要是指不同物質(zhì)在空間上表現(xiàn)出不同的變化規(guī)律。海表在面積幾千平方公里的空間反射率變化不大，而云在幾百米的空間反射率變化就很大。

1.2 數(shù)據(jù)集介紹

本文云檢測所采用的數(shù)據(jù)集是AVHRR數(shù)據(jù)集，AVHRR是搭載在美國NOAA系列衛(wèi)星上的高級甚高分辨率輻射計，空間分辨率能達到星下1.1 km。目前AVHRR已經(jīng)由4個通道(channel)發(fā)展為5個通道，包含了可見光紅色波段、近紅外、中紅外、熱紅外等多個波段，每一個通道都有不同的波長數(shù)據(jù)，總體來說，通道1和通道2為反射率，通道3～通道5為亮溫數(shù)據(jù)，本文的研究中，實驗數(shù)據(jù)選取經(jīng)緯度范圍分別為105.0°E～145.0°E, 10.0°N～50.0°N，具體如圖1所示。

圖1 實驗數(shù)據(jù)經(jīng)緯度范圍

1.3 基本方法

1)DBN。

DBN起源于機器學(xué)習(xí)，它由Hinton在2006年提出，是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中的一種。DBN模型由多個RBM (Restricted Boltzmann Machine)網(wǎng)絡(luò)組成，通過訓(xùn)練的方式調(diào)節(jié)各個神經(jīng)元之間的權(quán)重，可以讓整個網(wǎng)絡(luò)按照最大概率來生成訓(xùn)練數(shù)據(jù)。DBN由多層神經(jīng)元組成，神經(jīng)元有顯性神經(jīng)元和隱性神經(jīng)元兩種，顯元用于輸入，隱元又叫特征檢測器(feature detector)，用于捕捉來自輸入層的數(shù)據(jù)的相關(guān)信息，提取特征。多個RBM堆疊便組成了DBN的基本結(jié)構(gòu)。

DBN的訓(xùn)練采用逐層無監(jiān)督訓(xùn)練法，每一層的RBM都單獨采用無監(jiān)督的方式進行訓(xùn)練，先充分訓(xùn)練第一個RBM，固定第一個RBM的權(quán)重和偏移量，以此重復(fù)多次，確保輸入特征向量在映射到不同的特征空間時，能夠最大程度保留原本的信息，這一步叫作“預(yù)訓(xùn)練”，預(yù)訓(xùn)練之后要進行微調(diào)(Fine-Tuning)，微調(diào)過程在DBN的末層，主要是設(shè)置一個分類器，用于接收RBM的輸出作為分類器的輸入，采用有監(jiān)督的方式訓(xùn)練分類器，訓(xùn)練過程中用Contrastive Wake-Sleep 算法[14]進行調(diào)優(yōu)，能夠準確高效地重構(gòu)訓(xùn)練數(shù)據(jù)。

2)Otsu算法[15]。

最大類間方差法又叫大津法、Otsu算法，是一種經(jīng)典的非參數(shù)無監(jiān)督自適應(yīng)閾值分割方法，該方法計算方便，不受圖像亮度和對比度等因素的影響，是目前圖像閾值二值化最理想的算法。Otsu算法根據(jù)目標和背景的灰度特征，將目標數(shù)據(jù)分為背景和前景兩部分，計算兩者之間的類間方差，類間方差可以用來說明灰度分布是否均勻，方差越大證明兩部分之間的圖像區(qū)別越大，當(dāng)有一些目標和背景互相被檢測錯誤時，兩類之間的方差會減小，在Otsu中，一幅圖像的灰度值為[0, 1, …,X-1]，每個灰度值i像素個數(shù)為ni，總像素數(shù)是N，圖像灰度均值為μr，Otsu算法就是確定一個閾值T，將圖像上的像素點分成C1和C2兩類，并且使得式(1)最大：

(1)

其中：ω1(T)和ω2(T)是事件發(fā)生的概率，μ1(T)和μ2(T)是內(nèi)平均值，σ1(T)和σ2(T)是C1和C2的方差，分別定義為式(2)～(7)：

(2)

(3)

(4)

(5)

(6)

(7)

2 云檢測研究

2.1 云檢測算法框架DOHM

針對已有檢測方法存在的問題，本文提出了DOHM算法模型，將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)DBN和自動閾值分割算法Otsu相結(jié)合，在保留了DBN算法的優(yōu)點的同時，實現(xiàn)了閾值的自動選取。

DOHM框架的輸入是維度為9的特征向量(v1～v9)，分別為：5個通道數(shù)據(jù)、通道2和通道1的比值、通道3和通道4的差、通道3和通道5的差以及通道4和通道5的差。數(shù)據(jù)輸入后便進入DBN訓(xùn)練部分，訓(xùn)練部分用于調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)以達到最優(yōu)，最后進入Otsu以自動確認閾值。

DOHM算法具體步驟如下：

1)輸入特征向量(v1～v9)，輸入之后進行網(wǎng)絡(luò)訓(xùn)練、調(diào)參和微調(diào)，用來確定最終的網(wǎng)絡(luò)結(jié)構(gòu)。以云檢測為例，特征向量輸入之后經(jīng)過DBN的訓(xùn)練，最終確定的最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)為2層，第1層有6個節(jié)點，第2層有3個節(jié)點，相當(dāng)于有2個RBM，各有6個、3個節(jié)點，訓(xùn)練過程中第1個RBM的輸出作為第2個RBM的輸入，各節(jié)點設(shè)置節(jié)點之間的權(quán)重，訓(xùn)練出來的參數(shù)將會傳遞給對應(yīng)的NN。

2)在實驗進入DBN最后一層時，加入Otsu算法，將DBN的參數(shù)作為Otsu算法的輸入，以自適應(yīng)的方法來自動確定閾值，根據(jù)這個閾值，能夠確定最終數(shù)據(jù)的分類。

3)得到最終結(jié)果。

2.2 云檢測實驗設(shè)計

云檢測實驗步驟可以大致分為3部分： 第1部分是對輸入的AVHRR(Advanced Very High Resolution Radiometer)數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)的清洗、人工標注有云無云區(qū)域以及數(shù)據(jù)集的建立，數(shù)據(jù)清洗用來剔除無效數(shù)據(jù)，人工標注用來對像素點進行標記，標記后的數(shù)據(jù)中每個像素點都會有一個標簽來表明自己是否是有云像素點，數(shù)據(jù)集的建立應(yīng)當(dāng)根據(jù)實驗?zāi)康膩磉x擇合適的訓(xùn)練集和測試集；第2部分是特征提取，依據(jù)云的遙感特性以及DOHM中的網(wǎng)絡(luò)特性來選取合適的特征，作為DOHM算法的輸入；第3部分是DOHM的訓(xùn)練過程，這一部分主要是對DOHM網(wǎng)絡(luò)進行訓(xùn)練，并不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)以達到最優(yōu)的實驗結(jié)果，訓(xùn)練之后的DOHM便可以對輸入進來的數(shù)據(jù)進行自動云檢測工作。

1)預(yù)處理。

實驗所用數(shù)據(jù)是AVHRR通道數(shù)據(jù)，涵蓋了AVHRR的所有5個通道。地理位置上選取經(jīng)緯度范圍為105.0°E～145.0°E, 10.0°N～50.0°N的數(shù)據(jù)，如圖1所示，時間跨度上包含了2011年全年的數(shù)據(jù)。

通道1～通道5的實驗數(shù)據(jù)首先要進行一定的預(yù)處理，利用數(shù)據(jù)清洗判斷是否是無效數(shù)據(jù)，若是無效數(shù)據(jù)標記并拋棄，得到有效數(shù)據(jù)后，進行第1步處理，即有云區(qū)域和無云區(qū)域的提取，提取后進行人工標記作數(shù)據(jù)標簽，并根據(jù)特征數(shù)據(jù)庫分別建立有云數(shù)據(jù)庫和無云數(shù)據(jù)庫，建立好數(shù)據(jù)庫后設(shè)計實驗所用的數(shù)據(jù)集，本實驗將2011年12個月份的數(shù)據(jù)分別按月份標號1～12，作為實驗所用數(shù)據(jù)集，按照實驗規(guī)劃分別建立訓(xùn)練集和測試集，根據(jù)特征數(shù)據(jù)庫特性，提取特征向量作為DOHM的輸入，預(yù)處理階段步驟如圖3所示。

圖3 預(yù)處理步驟示意圖

本文云檢測實驗將數(shù)據(jù)分為兩部分用于交叉驗證，訓(xùn)練集(Training set)和測試集(Testing set)，訓(xùn)練集用于DOHM模型的訓(xùn)練，測試集用來檢驗網(wǎng)絡(luò)分類的效果，訓(xùn)練集用于DOHM模型的訓(xùn)練，測試集用來檢驗網(wǎng)絡(luò)分類的效果，本文實驗將12個月的數(shù)據(jù)集分為6組，每組中選取了數(shù)據(jù)差別較大的兩個月，具體如表1所示，每組中的兩個月交替作為訓(xùn)練集和測試集，例如組1：1月作為訓(xùn)練集，7月作為測試集，然后交替，7月作為訓(xùn)練集，1月作為測試集，以此類推，一共進行了12次驗證實驗。

表1 數(shù)據(jù)集分組

每個數(shù)據(jù)集里都有一定比例的有云數(shù)據(jù)和無云數(shù)據(jù)，這樣可以防止網(wǎng)絡(luò)被嚴重偏置。由于目前存在的云檢測算法都存在著一定的誤差，所以為了保證數(shù)據(jù)的準確性，本文實驗采用人工手動標記法來標定有云區(qū)域和無云區(qū)域。

2)特征提取。

傳統(tǒng)的云檢測方法大多只選取某個通道或是某幾個通道作為輸入，從中提取特征向量，輸入數(shù)據(jù)的單一容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練不充分，致使檢測結(jié)果出現(xiàn)偏差。為了克服這一缺點，本文選擇了AVHRR全部5個通道數(shù)據(jù)，并且新構(gòu)建了通道2和通道1的比值、通道3和通道4的差、通道3和通道5的差、通道4和通道5的差這4個特征作為DOHM的輸入，如表2所示。

表2 DOHM的輸入特征向量

由于大氣中存在水汽，所以不同通道中的反射率和發(fā)射率也不同，總體來說，利用反射率參數(shù)要比發(fā)射率參數(shù)更能夠有效消除數(shù)據(jù)上的不確定性。依據(jù)文獻[16]可知，無云區(qū)域通道2和通道1的反射率之比在0.75以下，比值大于0.9小于1.1的是有云海域，所以，v6的閾值可以設(shè)置為0.8～0.9，薄云相對于大氣來說，能夠產(chǎn)生將對較大的差值，所以通道4和通道5的差值可以主要用來檢測薄云，有云區(qū)域和無云區(qū)域在通道3和通道5表現(xiàn)出不同的特性，云在通道3的反射率更高而晴空在這個波段表現(xiàn)出很高的透明性，薄云在通道3上光學(xué)透射率會更高，此外，由于普朗克黑體輻射方程是非線性的，因此能夠產(chǎn)生更大的v8差值，不僅在白天，夜間v8也可以用來作為判斷是否有云的一個判據(jù)。

3)DOHM訓(xùn)練過程。

訓(xùn)練過程分為預(yù)訓(xùn)練和微調(diào)兩步。文獻[17]提出了一種逐層無監(jiān)督的貪婪預(yù)訓(xùn)練方法，目的是能夠在映射到不同的特征空間時，盡量保留最多特征向量的特征信息，輸入向量(v1～v9)和第一層隱層單元構(gòu)成了第一個RBM，第一個隱層單元含有6個神經(jīng)元節(jié)點，訓(xùn)練之后將會得到一系列的參數(shù)傳遞至第2個RBM，第2個RBM單元含有3個節(jié)點，前1個RBM的輸出是后1個RBM的輸入，如此重復(fù)，直至網(wǎng)絡(luò)訓(xùn)練完全。

預(yù)訓(xùn)練之后是微調(diào)，與預(yù)訓(xùn)練階段的無監(jiān)督訓(xùn)練方式不同，微調(diào)是有監(jiān)督的訓(xùn)練過程，在每一層的RBM中，權(quán)值是單獨的，即權(quán)值只要在該層達到最優(yōu)的效果即可，而不用去保證整個網(wǎng)絡(luò)達到最優(yōu)值。DBN在訓(xùn)練開始前會隨機初始化權(quán)值，特殊的訓(xùn)練方式使得DBN避免了局部最優(yōu)化問題，減少了訓(xùn)練時長，提高了訓(xùn)練效率。將訓(xùn)練后得到的參數(shù)傳遞至對應(yīng)的NN，最終的網(wǎng)絡(luò)結(jié)構(gòu)便是9-6-3結(jié)構(gòu)，與傳統(tǒng)的DBN方法不同的是，本文采用了Otsu自動閾值分割算法，能夠在DBN的最后一層自動獲取閾值，這使得DOHM模型減少了人工設(shè)定閾值的工作量，而且取得了更高的運行效率。

3 實驗結(jié)果與討論

為了更有效、更直觀地展現(xiàn)DOHM模型的檢測結(jié)果，本文選取了五種常用的云檢測方法進行對比，從不同的方面給出實驗結(jié)果以及討論，這五種方法分別是：SVM、PNN、NN、樸素貝葉斯分類器(Bayes)和普通DBN算法。

3.1 可視化定性分析

為了盡可能全面有效地展現(xiàn)各個檢測方法的優(yōu)劣性，在時間的選擇上，本文選擇了不同季節(jié)、不同時間的例圖進行比對，地點都是所取經(jīng)緯度范圍內(nèi)海域，由于本文主要研究海域上空云檢測，所以本文實驗都已經(jīng)將陸地自動屏蔽掉，并選取通道4作為原始對比圖像。

圖4和圖5為6種方法的檢測結(jié)果，其中子圖(a)為通道4原圖。通過對每次實驗的六種方法檢測結(jié)果進行橫向?qū)Ρ?，很明顯可以看出，DOHM、DBN和SVM方法檢測結(jié)果明顯好于其余三種方法。仔細對比云檢測的邊緣處理和檢測細節(jié)處理，DOHM的表現(xiàn)更好，NN表現(xiàn)最差，值得注意的是通過時間軸縱向相比來說，DOHM在冬季和初春季節(jié)表現(xiàn)不如其余季節(jié)，這可能是由于冬季和初春季節(jié)溫度較低，高緯度海域有冰雪覆蓋，而冰、雪在亮溫通道表現(xiàn)出和云相似的性質(zhì)，導(dǎo)致檢測結(jié)果出現(xiàn)偏差，其余五種方法都或多或少出現(xiàn)了這個問題，但DOHM的表現(xiàn)仍然是較好的。綜上所述，通過橫向和縱向?qū)Ρ?，DOHM方法在六種方法中檢測結(jié)果最為優(yōu)秀。

圖4 六種方法在2011- 08- 10T05:08云檢測結(jié)果

圖5 六種方法在2011- 12- 02T12:11云檢測結(jié)果

3.2 定量分析

直觀對比展現(xiàn)DOHM檢測結(jié)果優(yōu)勢之后，還需要對檢測結(jié)果作進一步細致的定量分析。定量分析要對網(wǎng)絡(luò)的分類結(jié)果進行驗證，為了檢驗網(wǎng)絡(luò)分類的準確性和魯棒性。

1)正確率和標準差。

正確率是對12次測試實驗正確率取均值，標準差是這12次測試實驗正確率的標準差，可以從這兩方面分析各種方法的準確性和魯棒性。六種云檢測算法的正確率如圖6(a)所示，標準差如圖6(b)所示。正確率能夠直觀表現(xiàn)一個算法的準確性，而標準差能夠在一定程度上說明算法的魯棒性，標準差越小，說明算法更健壯。從圖6綜合來看，DOHM模型在六種方法里正確率最高且標準差最小，說明該方法在保證算法健壯的同時達到了檢測正確率最高的目的。SVM方法的正確率不如DBN和DOHM高，NN、PNN和Bayes方法的標準差比其他三種方法高出很多。值得注意的是，綜合正確率和標準差來看，DBN和DOHM方法的結(jié)果差距并不大，但是DOHM在DBN基礎(chǔ)上實現(xiàn)自動閾值分割的同時又能提高正確率，已經(jīng)極大地提高了DBN方法的適應(yīng)性和可擴展性。

圖6 六種方法的實驗性能比較

2)虛警率和漏檢率。

為了更好地分析各方法的綜合檢測結(jié)果，本文使用虛警率(False Alarm Rate, FAR)和漏檢率(Miss Rate, MR)來進一步分析DOHM檢測結(jié)果，虛警率和漏檢率定義分別如式(8)、式(9)[18]所示：

FAR=NC/MC

(8)

MR=CN/TC

(9)

其中:NC是無云像素點被檢測為有云像素點的個數(shù)，MC是檢測出的所有有云像素點個數(shù)，CN是有云像素點被檢測為無云像素點的個數(shù)，TC是海表面所有有云像素點個數(shù)。根據(jù)定義，計算出的具體數(shù)值對比情況如表3所示。

表3 六種方法的FAR和MR %

虛警率FAR和漏檢率MR是一對相互矛盾的指標，理想狀態(tài)下希望這兩個指標都達到最低, 但實際上，由于這兩個指標的矛盾性，很難找到一種方法使這兩個指數(shù)同時降到0，一般情況下都是在保證一個錯誤率在某個值以下，讓另一個錯誤率盡可能得小，盡量平衡好兩者之間的關(guān)系。在本文實驗中，由于更注重的是檢測的準確度，所以虛警率和漏檢率中本文更關(guān)注虛警率的大小。從表3中可以看出，DBN方法和DOHM方法的虛警率都達到了0，再單獨比較這兩種方法的漏檢率，DOHM的漏檢率相對更低，所以綜合這兩個指標，DOHM方法表現(xiàn)更好。值得注意的是，在漏檢率MR中，指數(shù)最低的是PNN方法，但是其虛警率高達25.52%，說明該方法沒有很好地平衡虛警率和漏檢率之間的關(guān)系。

根據(jù)實驗結(jié)果分析，DOHM較好地平衡了虛警率和漏檢率之間的關(guān)系，在六種檢測算法中，DOHM的云檢測結(jié)果表現(xiàn)最好。

4 結(jié)語

本文提出了一種基于DBN和Otsu的自動云檢測算法框架——DOHM，該模型綜合使用了DBN和Otsu算法，減小了算法的人工干預(yù)程度，在實現(xiàn)自動云檢測的同時，正確率可提高至95%以上，不論是定量分析還是可視化定性分析，DOHM都在與目前主流檢測方法的對比中取得了很好的成績，有著廣闊的應(yīng)用前景。云檢測工作是遙感數(shù)據(jù)利用的第一步，是后續(xù)云剔除、云分類的基礎(chǔ)，不僅有助于更好地了解云的形態(tài)和結(jié)構(gòu)，還能提高遙感數(shù)據(jù)的利用率。

隨著計算機技術(shù)和衛(wèi)星遙感技術(shù)的發(fā)展，對云檢測精度的要求越來越高，單一的云檢測算法已經(jīng)無法滿足目前云檢測應(yīng)用發(fā)展的需求，未來檢測方法趨于多樣性、綜合性、自動化。利用基于機器學(xué)習(xí)的檢測算法解決云檢測相關(guān)問題成為未來發(fā)展的主要趨勢，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)將會成為未來檢測識別算法中的主力軍。

致謝 感謝中國海洋大學(xué)衛(wèi)星地面站提供衛(wèi)星資料。