[发明专利]一种基于残差密集连接和特征融合的光学遥感图像去云方法

权利要求书

1.一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，所述方法包括：

采用生成网络模型和判别网络模型设计光学遥感图像去云方法，其中，生成网络模型负责生成清晰无云图像，判别网络模型负责与生成网络进行博弈，提高生成网络去云性能；

生成网络模型基于特征提取部分和特征重建部分实现遥感图像去云，特征提取部分采用残差密集连接单元搭建，特征重建部分采用残差密集连接单元和特征融合单元搭建；

判别网络模型负责区分去云图和真实无云图，为生成网络提供梯度进行对抗训练；

采用平均绝对误差损失函数、感知损失函数和对抗损失函数的线性组合训练生成网络，采用交叉熵损失函数训练判别网络；

采用训练好的模型参数，仅由一张有云遥感图像恢复无云遥感图像。

2.根据权利要求1所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，所述生成网络模型具体为：

所述生成网络模型基于卷积、反卷积、LReLU激活函数、ReLU激活函数和Tanh激活函数搭建；

所述生成网络模型包括图像特征提取和图像特征重建两部分。

3.根据权利要求2所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，图像特征提取部分和重建部分具体为：

所述图像特征提取部分由m个残差密集连接单元组成，包括卷积和LReLU激活函数；

所述图像特征重建部分由n个残差密集连接和n个特征融合单元组成，包括反卷积、ReLU激活函数和Tanh激活函数。

4.根据权利要求3所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，残差密集连接单元和特征融合单元具体为：

所述残差密集连接单元由f个卷积的密集连接和g个残差学习组成，通过f个卷积的密集连接实现特征复用，最大化各层之间的特征信息流，采用残差学习防止梯度消失问题；

所述特征融合单元采用尺寸为a×a和b×b的感受野完成多尺度特征提取及融合任务。

5.根据权利要求1所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，所述判别网络模型具体为：

所述判别网络模型基于卷积、批量归一化、LReLU激活函数和Sigmoid激活函数搭建，由q个卷积层组成；

所述判别网络模型分别将真实无云图和去云图作为正、负样本，采用有云图作为参考信息，通过训练区分二者；

所述判别网络模型与生成网络模型交替训练，不断地为生成网络提供梯度，二者始终处于对抗博弈之中。

6.根据权利要求2所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，生成网络模型采用的平均绝对误差损失函数具体为：

Loss_M＝||E-G(F)||₁

式中，G(·)代表生成网络的输出，E代表无云图，F代表有云图，G(F)代表去云图。

7.根据权利要求2所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，生成网络模型采用的感知损失函数具体为：

式中，β(·)代表VGG16的卷积层2_2输出的特征图。

8.根据权利要求2所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，生成网络模型采用的对抗损失函数具体为：

Loss_A＝∑[-logD(F,G(F))]

式中，D(·)代表判别网络的输出，D(F,G(F))代表有云图F作为参考信息时，去云图G(F)经过判别网络的输出。

9.根据权利要求5所述的一种基于残差密集连接和特征融合的光学遥感图像去云方法，其特征在于，判别网络模型采用的交叉熵损失函数具体为：

Loss_D＝∑[-logD(F,E)+log(1-D(F,G(F)))]

式中，D(F,E)代表有云图F作为参考信息时，无云图E经过判别网络的输出。