1.基于多尺度损失函数的改进型U‑Net云图分割方法，其特征在于，包括以下步骤：(1)获取全天空图像分割数据库，对全天空图像分割数据库包含的云图以及与其对应的二值标签进行预处理获得数据集；

(2)利用改变卷积方式、添加高效通道注意力机制、修改归一化和添加多尺度特征融合的方法构建改进型U‑Net模型；

所述步骤(2)的具体过程如下：

(2.1)利用改变卷积方式的方法改进U‑Net具体为：以U‑Net分割模型为基础，将编码部分中前两层和第三层的第一个卷积换成可变形卷积；

(2.2)利用添加高效通道注意力机制的方法改进U‑Net具体为：以(2.1)模型为基础，在编码部分前三层输出的特征图后添加通道注意力机制，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，对前三层加权后的特征图进行下采样操作，将前三层加权后的特征图与解码部分的特征图进行拼接操作；

(2.3)利用修改归一化的方法改进U‑Net具体为：以(2.2)模型为基础，将Weight Normalization加在U‑Net的卷积层和激活层中间，重写深度网络的权重，通过对网络参数进行标准化实现归一化操作；

(2.4)利用添加多尺度特征融合的方法改进U‑Net具体为：以(2.3)模型为基础，对编码部分最后一层输出的特征图和解码部分每一层输出的特征图进行多尺度特征融合；

(3)提出改进型U‑Net模型的改进复合损失函数，表达式为：

Limprove＝βLimprove2+(1‑β)LB

其中，LB表示边界损失函数，边界损失函数的公式如下：

其中， △S＝|S|‑|S∩G|+|G|‑|S∩G|，S为预测结果边

界上的像素点，G为真实标签边界上的像素点，p为标签边界上的任一像素点，q为△S内的任一像素点，DG(q)为两个像素点之间的距离；

β初始值设置为1，每一轮训练减小0.01；

Limprove2为结合Dice损失函数和交叉熵损失函数的函数，表达式为：Limprove2＝αLimprove1+(1‑α)LCE

其中α为超参数，LCE为交叉熵损失函数，公式如下：

其中，N为特征图中像素点的个数，pi∈[0,1]为模型预测的分割图中第i个像素点的值，gi∈{0,1}为二值标签中第i个像素点的值；

Limprove1为结合Dice损失函数与Log_Cosh损失函数的函数，表达式为：Limprove1＝log(Cosh(LDice))

所述Log_Cosh损失函数的公式如下：

LLog_Cosh＝log(Cosh(x))

其中，LDice为Dice损失函数，表达式如下：

其中，A、B分别指模型预测结果与真实标签结果，smooth是平滑因子；

(4)将步骤(1)得到的数据集输入改进型U‑Net模型进行训练、测试，获得最佳参数模型，输出预测效果图。

2.根据权利要求1所述的基于多尺度损失函数的改进型U‑Net云图分割方法，其特征在于，所述步骤(1)的具体过程如下：(1.1)获取全天空图像分割数据库包含的天空—云图以及与其对应的二值标签；

(1.2)将训练样本被随机切分为小样本，并对样本集采用数据增强方法，将数据集扩充为原来的十倍，将其分为3部分，训练集占80％，验证集占10％，测试集占10％。

3.根据权利要求2所述的基于多尺度损失函数的改进型U‑Net云图分割方法，其特征在于，所述步骤(1.2)中，数据增强方法包括随机修剪，平移变换和噪声扰动。

4.根据权利要求1所述的基于多尺度损失函数的改进型U‑Net云图分割方法，其特征在于，所述(2.1)中编码部分为5层：第一层包括2个相同的可变卷积块deform‑conv11、deform‑conv12，可变卷积块主要由两个卷积块组成，其中一个卷积块均由18个步长为1，padding为1，大小为3×3的偏移量卷积核组成，另一个卷积块分别由32个步长为1，padding为1，大小为3×3的标准卷积核conv11、conv12组成；第二层包括2个相同的可变卷积块deform‑conv21、deform‑conv22，可变卷积块主要由两个卷积块组成，其中一个卷积块均由

18个步长为1，padding为1，大小为3×3的偏移量卷积核组成，另一个卷积块分别由64个步长为1，padding为1，大小为3×3的标准卷积核conv21、conv22组成；第三层包括2个卷积块deform‑conv3和conv3，其中conv3由128个步长为1，padding为1，大小为3×3的标准卷积核组成，deform‑conv3由18个步长为1，padding为1，大小为3×3的偏移量卷积和conv3组成；

第四层包括2个相同的卷积块conv4，均由256个步长为1，padding为1，大小为3×3的标准卷积核组成；第五层包括2个相同的卷积块conv5，均由512个步长为1，padding为1，大小为3×

3的标准卷积核组成；该模型中解码部分为4层：均由一个上采样模块、两个与编码部分相对应的相同的标准卷积模块组成，各层各模块中卷积核的个数分别为(512,256,256)、(256,

128,128)、(128，64，64)、(64,32,32)，且核的大小均为3×3，同时第四层包括一个卷积块，由2个步长1，padding为1，大小为1×1的卷积核组成。

5.根据权利要求1所述的基于多尺度损失函数的改进型U‑Net云图分割方法，其特征在于，所述步骤(2.4)中编码部分最后一层输出的特征图经过上采样与解码部分第一层输出的特征图进行拼接，将拼接后的特征图经过上采样和一个3×3×256的卷积与解码部分第二层输出的特征图进行拼接，将拼接后的特征图经过上采样和一个3×3×128的卷积与解码部分第三层输出的特征图进行拼接，将拼接后的特征图经过上采样和一个3×3×64的卷积与解码部分第四层输出的特征图进行拼接，将拼接后的特征图经过3×3×32的卷积，再经过1×1的卷积核。

6.根据权利要求1所述的基于多尺度损失函数的改进型U‑Net云图分割方法，其特征在于，步骤(4)的具体过程如下：(4.1)将步骤(1)中的数据集的80％作为训练集和10％作为验证集输入到改进的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，最小化复合损失函数，获得最佳参数模型；

(4.2)将步骤(1)中的数据集的10％作为测试集输入到(4.1)中的最佳参数模型中进行测试，输出预测效果图；

(4.3)将(4.2)中的预测效果图与标签图进行比较，得到改进的U‑Net比较输出结果。