[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

说明书

本发明涉及一种结合多时相数据基于门控卷积的云和阴影修复方法。首先，利用已有的遥感影像构建样本库；其次，设计了一种基于门控卷积的多时相云和阴影修复网络进行训练，深入挖掘有云遥感影像‑多时相无云影像、含缺失信息区域‑纯净像元区域之间的相关性及特征；然后，对于真实含云影像首先利用已有的云探测方法进行像素级语义分割，并选取高召回率的结果；最后利用训练好的云和阴影修复网络、高召回率探测结果、真实含云影像以及对应的多时相数据进行修复工作，在保证光谱信息的基础上，高保真的重建缺失信息。本发明具有如下优点：鲁棒性强，可适应不同尺度的遥感影像云和阴影的探测修复。

技术领域

本发明涉及一种基于门控卷积进行云和阴影修复工作的方法，可结合多时相无云遥感影像，用于云和阴影等缺失信息的重建工作，有效对于受损的遥感影像进行空间维及光谱维的信息重建，提高不同天气条件下传感器获得的遥感影像的利用率。

背景技术

作为获取地球表面几何和物理信息的最重要的地球观测技术之一，遥感技术已获得越来越多的关注并得到广泛应用。然而，由于大气条件的约束，每日全球范围内平均云覆盖率达到67％左右，从卫星上获取的遥感影像中被云和云阴影所遮挡的低利用价值甚至无利用价值的无效像元导致地物信息被遮盖或扭曲，为遥感影像信息提取、数据融合、图像解译等后续工作带来严重影响。

从修复方式出发，云和阴影修复的方法可大致分为两类：基于传统算法的和基于学习的云修复方法。传统的云修复方法主要利用与受损区域相相邻的像素信息，未受云或阴影损坏的波段，无云的多时相图像或来自其他传感器的辅助信息，通过数学、物理模型重建缺失信息，例如补绘技术、基于样例的方法、插值理论和扩散模型等。基于学习的云修复方法，摆脱了人工干预，无需额外经验设计参数，利用稀疏表达、极限向量机、随机森林、深度学习等算法，自动学习受损影像以及辅助数据之间的特征关联，从光谱映射、信息重建等角度出发，修复受损区域。

从辅助数据的来源出发，云和阴影修复方法可大致分为五类：基于空间信息的，基于波段的，基于多时相数据的，基于混合策略的和基于多源数据的重建方法。基于空间信息的云修复方法假设云和阴影下方的像素与未被云和阴影影响的邻域共享相似的纹理和像素值，可利用相应的设计规则进行局部相似像元搜索，然后结合邻域差值等方法填补缺失信息，然而由于遥感影像中地物类型的多样性，缺失区域千变万化，结果往往是虚假的并且存在过平滑的现象。基于波段的重建方法假设一部分多光谱波段可以穿透薄云，提供云下相关信息，多光谱图像的不同光波段之间可以进行信息互补，但这种方法仅限于恢复具有薄云的图像，因为所有波段都不能穿透厚云。基于多时相数据的修复方法利用无云多时相影像上对应的被云和阴影影响区域的像素值进行辐射纠正和填补，然而这类方法对几何配准误差和图像之间的光谱变化很敏感。基于混合策略的云修复方法结合基于空间，波段或多时相方法的优点，构建一个最佳融合框架进行修复。基于多源数据的方法主要利用来自不同类型传感器的数据，例如合成孔径雷达(SAR)数据，由于微波信号能穿透云，它被认为是一种云修复的新型有效辅助数据源。

然而，尽管最近出现了很多通过深度学习进行云去除的方法，但是在某些方面仍然存在许多缺点：1)所有的基于深度学习进行云修复的方法虽然部分在修复之前考虑到了对于含云区域与无云区域的区分，但是在特征提取时，利用普通的卷积层无法对于不同面积缺失区域的特征进行区分；2)单一损失函数是语义分割和对象检测中很常用的，但是在云修复中，需要对抽象特征(光谱特征)进行约束，他的能力不足；同时，传统的云修复方法中，没有对重建区域以及无云区域的损失进行区分，缺乏重建区域与邻域之间的纹理一致性约束。因此，一种能够给对无效像元区域加以区分的有效的云和阴影修复方法的研究很有必要。

发明内容

本发明针对现有技术的不足，提供了一种基于门控卷积的结合多时相遥感影像的云和阴影修复方法，能够在保留与原始图像相似性较高的光谱信息的情况下修复云下缺失的细节信息。

本发明的主要创新点在于：