[发明专利]一种基于生成对抗网络的遥感图像薄云去除方法

说明书

本发明涉及一种基于生成对抗网络的遥感图像薄云去除方法，包括如下步骤：步骤1：建立薄云去除系统模型；步骤2：网络模型设计；步骤3：辨识准则函数构建；步骤4：薄云去除系统辨识；步骤5：遥感图像薄云去除。本发明采用生成对抗式神经网络来建模薄云去除问题，并对其进行系统辨识，可实现端到端的薄云去除。所构建的准则函数综合了数据分布和重建精度两方面的误差，使得系统能够更好地学习数据的特征，从而实现薄云的去除。本发明提出的方法具有自适应去除不均匀薄云的能力，所恢复的图像具有很好的色彩和纹理一致性。

技术领域：

本发明涉及一种基于生成对抗网络的遥感图像薄云去除方法，属于遥感图像处理的应用技术领域。

背景技术：

遥感图像为地球科学、气象学、环境监测、军事监测等任务提供了丰富的信息，已经成为现代化测控手段中越来越重要的一种工具。然而，大气中存在大量水汽、冰晶及微尘凝结核，它们以云的形式聚集。而电磁波在传播过程中极易受到云的影响，造成信号被反射或散射，使得传感器接收到的信号被削弱，影响成像质量，导致感兴趣区域信息丢失，给后续遥感图像的解译和判读造成了很大困难。

一个有效的薄云去除方法可以在有限的成像条件下改善图像质量，恢复图像信息，有助于后续的解译和应用，提高对遥感图像的利用率。目前，许多遥感图像的薄云去除方法已经被提出。这些方法一类是基于多时相遥感数据，通过检测出云区并利用备选多时相数据进行数据替换。但由于传感器成像有一定时间间隔，大气辐射条件及地貌条件会发生变化，而长时间对于目标地点的定点成像代价高昂，因此同一地区的理想多时相数据不易获得。另一类方法基于已有单时相数据进行直接处理，处理方法多基于简化的成像模型和先验，但由于云的类型多变，对波长的响应特性复杂，一个有效的模型不易建立，算法在各种不均匀的薄云去除上表现欠佳。近年来，随着深度学习的发展，基于学习模型的方法也被提出。现有方法都基于一个端到端的卷积神经网络，直接学习有云图像到无云图像的映射。这种判别式模型是对现有数据的回归，不能很好地学到数据真实分布特性，因此泛化能力不强，在复杂场景及各种薄云情况下表现不佳。

本发明针对单幅遥感图像中存在的薄云，设计了一种基于生成对抗网络的薄云去除方法。生成对抗网络是深度学习中的一种生成式模型，由一个生成网络和一个判别网络组成。传统的判别式深度学习方法通过深度卷积网络学习输入到输出的映射关系；而生成对抗网络使用一个二元极大极小博弈函数作为目标函数，其实质度量了Jason-Shannon散度，是对分布相似性的度量，使得网络能够学习数据的分布而不是简单的映射关系。本发明将图像薄云去除看作非参数模型系统的辨识问题，设计条件生成式对抗网络建立正向模型，以衡量分布相似性的目标函数作为准则函数，学习无云数据在有云数据下的条件分布，从而获得了满意的薄云去除结果。该系统能够对对不均匀薄云进行自适应去除，所恢复的图像具有很好的色彩一致性和结构一致性。

发明内容：

1、目的：

本发明的目的在于提供一种基于生成对抗网络的遥感图像薄云去除方法，用来实现单时相遥感图像的薄云去除，提升图像质量。该方法通过使用一定量遥感图像样本训练生成对抗网络进行系统辨识，得到的网络模型适用于多种卫星传感器图像，能够对单时相遥感图像实现良好的薄云去除。

2、技术方案：本发明通过以下技术方案实现。

本发明首先对薄云去除问题进行系统建模，然后设计一个端到端的生成对抗网络作为辨识系统来进行系统辨识。由于被云遮挡图像所对应的真值图，即同一地点的无云真值不易获得，故使用仿真手段，获取足量带真值标签的样本对生成网络和判别网络进行训练，使得生成网络自发提取特征学习数据分布，根据设计的准则函数进行系统的辨识。网络训练完成后，得到的生成模型可实现对输入图像的去云处理。该发明包括5个步骤：建立薄云去除系统总体模型、网络模型设计、辨识准则函数构建、薄云去除系统辨识、遥感图像薄云去除。具体如下：

步骤1：建立薄云去除系统总体模型