[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

说明书

本发明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，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就可恢复无云遥感图像。

技术领域

本发明涉及图像处理技术与深度学习技术领域，尤其涉及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。

背景技术

近年来，遥感技术发展迅速，已经被运用到生态监控、气象预测、灾害预报和交通监测等诸多领域。遥感卫星拍摄的光学遥感图像会被空中的云雾等遮挡，导致遥感图像的质量下降、颜色失真和关键信息丢失等一系列问题，严重影响对遥感图像内容的分析与处理。

传统的遥感图像去云技术主要有物理模型法、同态滤波和小波变换等。物理模型法主要是分析云层形成的物理模型，根据一些假设先验知识对模型参数进行分析，最终通过物理模型反推出无云图像，然而这类算法具有明显的局限性，无法适用于所有情况，当假设先验失效的情况下，算法结果不理想；同态滤波算法假设云雾分布于遥感图像的低频信息，通过增强高频信息去除云雾影响；小波变换法利用云雾和地面信息的频率不同，通过小波分解得到不同分辨率的小波系数，在不同分辨率下对细节和近似系数进行处理，进而恢复图像。然而，此类滤波方法在处理图像的过程中可能会模糊地表信息，带来不良影响。

随着卷积神经网络(Convolutional Neural Networks,CNN)的发展，越来越多的深度学习算法在计算机视觉技术领域取得了非常好的效果，例如目标检测、目标识别和图像处理等领域。深度学习算法为遥感图像去云技术提供了广阔的思路，遥感图像去云技术主要目的是去除云雾的影响，尽可能地恢复遥感图像内的细节信息，提高图像质量和清晰度，这项技术具有十分重要的意义。

综上所述，采用深度学习方法设计遥感图像去云技术可以避免物理模型的局限性，具有简便易行和适用性强等特点，通过学习有云遥感图像和无云遥感图像之间的映射关系，利用单张有云遥感图像就可得到清晰无云遥感图像，无需额外的假设信息。因此，提出一种不依赖物理模型的光学遥感图像去云方法具有非常强的实用价值和应用前景。

发明内容

本发明提供了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，本发明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，生成网络模型采用残差密集连接单元和特征融合单元实现遥感图像去云，判别网络模型通过对抗训练提高去云性能，本发明可以自适应地学习有云遥感图和无云遥感图之间的映射函数，可直接从一张有云遥感图像恢复无云图像，详见下文描述：

本发明的技术方案是：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，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就可恢复无云遥感图像。