本技术涉及一种结合CNN曼巴的对比预训练云检测方法,所述方法包括以下步骤:构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比,CNN方法能提取图像的局部特征,曼巴方法能提取图像的全局特征,结合CNN和曼巴方法既可以留意图像中云的边缘细节,又能从整幅图像上看到云的区域,提高云检测的精度。同时利用云雪数据对网络进行预训练,让网络区分云和雪之间的差异,在后续微调阶段不会把雪错分成云,实现更精准的云检测任务。
背景技术
云检测是遥感图像处理领域的重要研究方向之一,在遥感图像中,云层信息对于气象和环境监测方面具有研究价值,云检测旨在通过对图像进行分析,识别出云的区域,不仅能提供云层信息,还可以为云去除任务做准备,恢复被云覆盖的地表信息。
目前的云检测方法大多基于深度学习,使用卷积神经网络CNN和注意力机制Transformer,CNN的卷积核有局部感受野的限制,而Transformer虽然有全局视野,但其计算复杂度是二次的,比较消耗计算资源。随着时间序列模型Mamba的提出,它解决了Transformer的计算消耗,是线性复杂度且能保持长距离依赖。
遥感图像的背景有林地、海水、山体等多样的地物类型,云在遥感图像中有聚集在一起的,也有分散开的,且云的边界细碎,透明度较高,因此需要从全局的角度来检测。雪是一种常见的自然现象,其颜色与云都是白色,受雪天影响,导致云检测任务的难点不仅有云本身不规则的形状,还容易错分云和雪。
实现思路