[发明专利]一种基于门控卷积的遥感影像云和阴影修复的方法

权利要求书

1.一种基于门控卷积的遥感影像云和阴影修复的方法，其特征在于，包括如下步骤，

步骤1，根据已有的含云遥感影像和多时相无云遥感影像构建云修复训练工作样本库和云修复测试工作样本库；

步骤2，结合步骤1中的云修复训练工作样本库，利用多时相的无云遥感数据进行空间、光谱和时间域的补充，对输入的模拟缺失信息影像、缺失信息区域的模板以及多时相影像进行特征提取工作，输入基于门控卷积的时空联合云修复网络STGCN，训练修复模型；

所述基于门控卷积的时空联合云修复网络STGCN是在云修复网络CRN的基础上，引入了多尺度模块、门控卷积层、ASPP模块、亚像素卷积层，以及联合损失函数，由编码、中间层、解码、多尺度特征融合、输出五部分组成；

步骤3，在测试阶段，对于真实有云的遥感影像，利用预先训练好的云探测网络模型CDN，对有云遥感影像中的云和阴影进行像素级预测，利用高召回率的探测结果，进行无效像元进行提取；

步骤4，结合步骤2中训练好的基于门控卷积的时空联合云修复网络STGCN，以真实有云影像、对应的多时相无云影像以及步骤3中探测得到的高召回率探测结果作为输入，进行真实有云遥感影像的修复工作，重建有云的遥感影像云和阴影处的缺失信息。

2.如权利要求1所述的一种基于门控卷积的遥感影像云和阴影修复的方法，其特征在于：步骤1的具体实现包括如下子步骤：

步骤1.1，遥感影像的预处理，选取5％含云量的Landsat8遥感影像与对应区域的多时相无云影像进行配准，由于成像条件、拍摄时间、传感器因素，不同时相的Landsat8影像在图幅大小上有细微差距，根据坐标信息裁剪得到一定的大小范围；

步骤1.2，样本裁剪，综合考虑计算机性能、网络复杂度、代探测目标大小因素，将遥感影像与对应的标签数据裁剪为大小相同的512×512像素的样本块；

步骤1.3，模拟缺失信息，随机生成模拟缺失信息的模板，缺失信息区域为黑色分型结构，像素值为0，选取步骤1.2中含云遥感影像中的无云图像块叠加缺失信息模板，模拟云和阴影缺失信息；

步骤1.4，云修复训练工作样本库构建，选取步骤1.2中生成的多时相影像块，步骤1.3中生成的模拟缺失信息影像块，对应的无云遥感影像块和模拟缺失信息的模板，构建样本库；

步骤1.5，真实含云影像的云修复测试工作样本库构建，选取步骤1.2中生成的含云遥感影像块以及对应的多时相影像块，构建样本库。

3.如权利要求1所述的一种基于门控卷积的遥感影像云和阴影修复的方法，其特征在于：步骤2的具体实现包括，

首先，在云修复训练工作样本库的基础上，针对输入数据进行纯净像素提取，分别将输入的多时相无云数据以及模拟的当前有云影像与无效像元位置的蒙版进行相乘，剔除无效像素点；其次，对于原始的多时相数据、模拟的有云影像、剔除云和阴影像素点的模拟有云影像，对应的多时相影像四幅数据进行特征提取，通过四个不同的卷积层，卷积核大小为3×3，步长为1，特征维度为32；然后，将四个特征串联，通过一个卷积层压缩冗余信息，卷积核大小为3×3，步长为1，特征维度为32；接着，将模拟有云影像无云像素值的特征进行光谱、空间信息的传递，叠加到压缩特征上，输入设计的基于门控卷积的时空联合云修复网络STGCN中训练修复模型，利用设计的联合损失函数进行相似性约束，结合随机梯度下降算法进行反向传播中的梯度优化。