深度残差全卷积网络提升Landsat 8遥感云检测精度

本文主要探讨了基于深度残差全卷积网络的高精度云检测方法在Landsat 8遥感影像中的应用。在当前的遥感数据分析中，云层检测是至关重要的预处理步骤，因为它直接影响到后续定量应用的准确性。传统的云检测方法往往面临特征提取复杂、算法步骤繁琐、鲁棒性不足以及难以融合高级和低级特征等问题，导致检测结果的精度有限。 针对这些挑战，作者提出了一种创新的方法，即利用深度残差全卷积网络（Deep Residual Fully Convolutional Network, ResF-CNN）。该网络结构包括一个编码器部分，通过残差模块进行逐层降采样，以提取遥感影像的深层次特征，这有助于捕捉更丰富的图像信息。接着，通过双线性插值进行特征上采样，使得编码后的多层次特征得以融合，以便于解码阶段的信息传递。 解码阶段是关键，它将上采样的特征图与原始输入图像结合，进行进一步的卷积操作。这种方法实现了端到端的处理流程，简化了算法步骤，增强了模型的表达能力和鲁棒性。实验结果显示，在Landsat 8云检测数据集上，该方法展现出显著的优势，其像素精度高达93.33%，相比于原版U-Net有2.29%的提升，而相较于传统的Otsu方法，精度更是提高了7.78%。 这种基于深度残差全卷积网络的云检测方法，不仅提高了云层检测的精度，还展示了在处理遥感影像时的高效性和智能化。这对于推动遥感数据分析的精确化和自动化具有重要的实际价值，特别是在气象监测、环境评估和资源管理等领域。未来的研究可以进一步探索如何优化网络结构，以适应更多类型的遥感数据和复杂的地理环境，从而实现更广泛的云层目标检测和应用。