随着我国卫星遥感技术的高速发展,大量的高分辨率遥感图像被应用到多个领域中,包括农业监测、环境保护、城市规划等。然而根据来自国际卫星云气候计划(International Satellite Cloud Climatology Project)的监测数据显示,全球有超过65%的区域被云层覆盖。遥感卫星拍摄到的图像中不可避免地会受到云层的影响。同时由于云层对不同光谱波段的反射作用,大部分遥感卫星的相机不具有能够穿透云层的光谱波段,所以导致拍摄到的卫星图像中的地物会被云遮挡。云层在图像中形成的遮挡问题,会对使用遥感图像进行目标识别,图像融合,地物分类等研究产生较大的影响。因此,云检测是遥感图像领域中关键的预处理步骤,也是遥感图像中研究的热点问题。遥感图像云检测可以看作是图像分割问题。图像分割领域中,深度学习算法已经具有远远超过传统分割算法的效果。遥感图像云检测传统方法为了达到较好的效果,通常会根据大量先验条件,利用多种复杂的图像色彩变换方法和纹理特征提取方法针对算法进行优化,有时甚至需要根据下垫面的不同类型人工设定相关阈值等参数。而深度学习算法中的卷积神经网络模型,能够自主从图像中挖掘出大量的浅层和深层抽象特征,对数据进行扩展和变换,从而得到较好的算法性能。因此本文基于深度学习算法,对遥感图像云检测问题进行研究,本文的主要内容和创新如下所示:(1)提出基于密集连接和编解码结构的云检测网络。云检测是端到端的图像分割,即网络的输出图像的宽和高与输入相同,输出是包含像素分类结果的二值图。因此采用端到端的编解码网络结构框架。同时为了对高分辨率图像中的特征进行充分的提取变换,本文通过在编码端和解码端加入本文设计的密集连接模块,并在编码端和解码端之间加入跳跃连接,增强网络对浅层特征的复用以及深层抽象特征的变换,提升解码端的信息解译能力。(2)在第一部分的带有跳跃连接的编解码网络框架的基础上,从精准信息增强的角度出发,提出基于Gabor变换和通道注意力机制的编解码结构的云检测网络(Network-Gabor and Channel Attention,NGCA)。因为高分辨率遥感图像中纹理细节丰富,而纹理特征是云检测中的重要信息,结合Gabor变换能够在多尺度和多方向上提取纹理特征的优势,设计了Gabor特征提取模块,并将该模块加入到网络的编码端,从而引导网络对图像纹理结构的学习,加强网络对于纹理细节的关注。同时,因为解码端网络生成的特征图包含的各类信息侧重不同,有的特征图包含较多云区域信息,有的包含较多非云区域的特征信息。因此,通过加入通道注意力机制模块,在解码端引入编码端的信息对深层抽象特征中的重要信息进行增强,对无用信息进行减弱,通过精准信息增强,进一步提升网络的云检测性能。实验结果表明,本文提出的遥感图像云检测算法相比于Deeplabv3+和基于编解码框架的的云检测网络RS-Net,准确率分别提升了1.04%和0.51%,误检率分别降低了4.51%和0.72%。