1.一种面向云掩膜的非均匀类别的样本均衡化方法，实现步骤如下：步骤1：数据预处理与样本获取；

标准假彩色影像上植被呈红色，各种地物与云的可区分性较大，使用标准假彩色方式进行波段合成；

由于原始影像采用不同的量化位数，导致相同的灰度值具有不同的意义，这里通过百分比截断的方式压缩到区间[1,255]，保证不同传感器获得的影像具有相似的色彩；

由于影像以景的方式分发，其尺寸远远大于计算机的处理能力，对影像进行切片，输出大小为h*w的影像块，其数目为M；

在此基础上，标记影像块上云所在区域的多边形，制作遥感影像云掩膜样本集G，其中包含N个影像块；

步骤2：样本分组；

将样本G分为K组样本：

G＝{G1,G2,...,GK}        (1)其中，样本子集G1作为预训练分类器，以获取一个相对稳健的深度学习模型；样本子集{G2,...,Gk-1}组样本测试并迭代选取样本；样本子集GK用于检测精度；

这里根据客户需要，可以保证各个样本子集之间是否存在交集；

步骤3：云掩膜模型训练；

在设置训练超参数后，使用样本子集G1训练深度学习模型，记通过样本子集G1训练得到的模型为C1；

步骤4：分类器掩膜与评价；

使用C1对G2中的样本进行预测，获得掩膜结果，再将其与G2中的标签数据进行比较，从而评价分类结果；

云掩膜结果可以分为正确T、错误F和遗漏M三种类型；其中，正确表示样本标记为云，且分类结果也是云；错误表示样本为非云，而分类器提取为云；遗漏表示样本标记为云，但是分类器未提取；在此基础上，我们选取平均检测率(AR)，平均正确率(AP)、整体精度(OA)三个评价指标来评价掩膜精度：其中，#表示像素个数；值得注意的是：由于干净地物构成的背景像素数量远大于云像素数量，使得整体精度难以反映真实的检测效果，因此在计算OA时，忽略该部分像素，从而使得OA和交并比(IoU)相同；

同时，对样本分组GK中的分类结果进行云掩膜及其精度评价，其精度记为OA(GK,C1)，步骤5：迭代训练；

对于一块云，将AR和AP均大于0.5的作为正确样本，其他作为错误样本；忽略正确的样2

本，而将错误和遗漏的样本加入，再返回步骤3，训练得到新的分类器C ；然后按照步骤4对样本G3进行评价；

重复上述过程，直到所有样本集用完或分类器达到稳定，这里分类器稳定是指第i次的分类精度OA(GK,Ci)与第i+1次的分类精度OA(GK,Ci+1)的变化小于等于容差e：|OA(GK,Ci)-OA(GK,Ci+1)|≤e       (5)其中，i表示分类器的迭代次数；

将上述步骤获得的稳定的分类器记为CK-1；

步骤6：云掩膜；

K-1

使用分类器模型C 对待处理测试集进行云掩膜，并评价云掩膜精度；

步骤7：掩膜数据后处理；

对掩膜数据进行后处理，剔除小于T的小联通区域的云；填充大块云中小于T的干净联通像素。

2.如权利要求1所述的一种面向云掩膜的非均匀类别的样本均衡化方法，其特征在于：步骤1将近红外波段对应红色，红波段对应绿色，绿波段对应蓝色进行标准假彩色合成，获得标准假彩色影像；直接使用百分比截断将影像从16位降到8位，首先统计影像直方图，提取灰度值到达1％时候的灰度值a和灰度值达到99％时候的灰度值b，然后将[a,b]线性拉伸到[1,255]；

将遥感影像裁剪为512*512像素大小的影像块，生成训练所需的数据集，通过上述方式一共获得16000个影像块；

为制作数据集的云掩膜标签，使用ArcMap对影像块上的云进行标注，制作云边界清晰的掩膜标签，然后将其转化为栅格格式。

3.如权利要求1所述的一种面向云掩膜的非均匀类别的样本均衡化方法，其特征在于：步骤2的样本分组具体是：第一组样本作为预训练数据集，用于训练一个相对稳健的深度学习模型；第二组到倒数第二组样本作为精度检验样本并进行精度评价，再加入样本进行增量训练；最后一组样本不参与训练，单独用于检测精度；

根据步骤1进行影像切片后，一共获得16000个影像块，首先将10000个样本用于训练，

6000个样本分为6组用于影像测试，4000个样本用于测试；分为8组，各组样本的数量分别为(6000，1000，1000，1000，1000，1000，1000，4000)。

4.如权利要求1所述的一种面向云掩膜的非均匀类别的样本均衡化方法，其特征在于：步骤3所述的云掩膜模型训练具体做法是：在初始化权重方面，使用COCO数据集上ResNet101的预训练模型来初始化Mask R-CNN网络权重；在超参数设置方面，设置迭代次数＝160，batch_size＝2，pool_size＝7，mask_pool_size＝14，初始学习率＝0.001，学习率更新系数＝0.9；

将步骤2的分组中的第一组数据输入Mask R-CNN模型中，按照所述超参数进行训练，训练得到一个稳定的云掩膜模型C1。