(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210643793.3 (22)申请日 2022.06.08 (71)申请人 无锡学院 地址 214105 江苏省无锡市锡山大道3 33号 (72)发明人 张银胜　钟思远　吉茹　崔志强　 张文华　单慧琳　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 王慧 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种云图分割方法 (57)摘要 本发明公开了一种云图分割方法， 包括步骤 如下： S1， 对哨兵二号卫星可见波段的图像进行 预处理获得数据集； S2， 利用改变卷积方式、 添加 高效通道注 意力、 修改长跳跃连接方式及修改激 活函数的方法构建改进U ‑Net模型； S3， 将步骤S1 得到的数据集输入改进型U ‑Net模型进行训练、 测试， 与其他分割网络进行云图分割实验对比， 得到比较输出预览图； S4， 将步骤S3中的比较输 出预览图通过transformer架构进行优化， 得到 最终输出效果图。 本发明运用了通过在U ‑Net模 型中引入transformer以及回归模型， 对云层的 遥测图像分析计算精度有显著的提高， 使得云图 的预测更加准确且稳定 。 权利要求书2页 说明书6页 附图5页 CN 114898227 A 2022.08.12 CN 114898227 A 1.一种云图分割方法， 其特 征在于， 包括 步骤如下： S1， 对哨兵二 号卫星可见波段的图像进行 预处理,获得数据集； S2， 采用改变卷积方式、 添加高效通道注意力、 修改长跳跃连接方式及修改激活函数的 方法构建改进 U‑Net模型； S3， 将步骤S1得到的数据集输入改进U ‑Net模型进行训练、 测试， 与现有分割网络进行 云图分割实验 对比， 得到比较输出 预览图； S4， 对步骤S3得到的比较输出预览图通过transformer架构进行优化， 得到最终输出效 果图。 2.根据权利要求1所述的云图分割方法， 其特 征在于， 所述 步骤S1的具体过程如下： S11， 获取哨兵二号卫星波段2、 波段3、 波段4的图像， 将大图切分成小块， 对小块用标注 工具Labelme手动人工标注， 获得对应的标签图像， 并用以生成数据集， 尺寸大小为224 × 224×3； S12， 对数据集采用数据增强方法， 将数据集扩充为原来的两倍， 将增 强后的数据分为 训练集、 验证集和 测试集。 3.根据权利要求1所述的云图分割方法， 其特 征在于， 所述 步骤S2的具体过程如下： S21， 以U‑Net分割模型为基础， 将编码部分中每层的第一个卷积块换成可变卷积块， 构 建改进U‑Net模型； S22， 在解码网络的拼接操作和在进行特征图的拼接操作中分别加入高效通道注意力 机制， 编码部分输出 的特征图经过高效通道注意力机制生成一维注意力向量后， 与原特征 图进行对应元素相乘， 得到加权后的特征图， 特征图大小不变， 直接与解码 部分的特征图进 行拼接操作； S23， 将批处理规范化加在U ‑Net网络的卷积层和激活层中间， 用GeLU激活函数代替原 有的ReLU激活函数， 采用训练二分类的方式分别训练每一个语义分割类别， 将每个二分类 训练的模型进行合并， 以得到改进 U‑Net模型； S24， 将解码部分的每一层与编码部分的同层的特征图以及相邻更低一层的特征图跳 跃连接， 确保解码部分的每一层有三个输入信息流； 解码部分的最后一层对应编码部分的 同层为第一层， 解码部分的最后一层输入信息流不变， 拼接操作后的特征图通道数变为 896、 448、 224、 96。 4.根据权利要求1所述的云图分割方法， 其特 征在于， 所述 步骤S3的具体过程如下： S31， 将步骤S1中的数据集的80％作为训练集输入到改进U ‑Net模型中进行训练， 通过 带标签的数据监 督学习， 利用梯度下降算法微调整个网络参数， 获得最佳参数模型； S32， 将步骤S1中的数据集的10％作为测试集输入到S31中的最佳参数模型中进行测 试， 输出初步的预测效果图； S33， 将S32中的预测效果图与标签图进行比较， 得到改进 U‑Net模型的比较输出 结果。 5.根据权利要求4所述的云图分割方法， 其特征在于， 所述步骤S4中， 将步骤S3中改进 U‑Net模型的比较输出图像利用一层卷积层convblock完成Patch ‑Embedding； 再进行 Flatten展 开输出特征向量， 随后对特征向量加入余弦位置编码Position ‑Emdedding， 以及 一层dropout随机失活； 将 输入向量放入三个不同的全 连接层， 输出查询向量Qu ery、 键向量 Key和值向量Value； 具体步骤如下：权　利　要　求　书 1/2 页 2 CN 114898227 A 2S41， 运用点乘dot  product计算 Q和K向量的相似度： f(Q,Ki)＝QTKi 其中， f(Q,Ki)为每一组数据对应的相似度， i＝1,2,3 …m， Q为查询向量Query， Ki为每一 个键向量K ey， QT为Q的转置； S42,将相似度通过softmax函数进行归一 化： 其中， i＝1,2,3…m， αi是归一后的相似度； S43， 对所有的values进行加权求和， 得到A ttention向量： 其中， Vi为每一个values。权　利　要　求　书 2/2 页 3 CN 114898227 A 3