[发明专利]一种基于特征自适应校正的遥感图像薄云去除方法

权利要求书

1.一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于：

采用深度卷积神经网络设计薄云去除网络，实现单张图像薄云去除，薄云去除网络输入为有云图，输出为去云图，利用有云遥感图像和无云遥感图像构造训练数据集，用于网络学习有云图和无云图之间的映射关系；薄云去除网络采用上述训练数据集进行训练，结合均值损失函数、VGG损失函数和最小绝对值偏差损失函数对网络进行优化，训练结束后采用该方法实现单张遥感图像薄云去除。

2.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述薄云去除网络由特征提取子网络F₁和特征恢复子网络F₂组成，其中特征提取子网络F₁负责提取与薄云有关的特征，特征恢复子网络F₂负责完成无云遥感图像的重建。

3.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述特征提取子网络F₁和特征恢复子网络F₂具体为：

特征提取子网络F₁由r个卷积层组成，每个卷积层的卷积核的个数分别为{2⁰k,2¹k,…,2^r-1k}，卷积核尺寸均为e×e，卷积步幅为f，其中，r、k、e、f均为正整数，激活函数采用LReLU函数，斜率为β，β∈(0,1)；

所述特征恢复子网络F₂负责完成无云遥感图像的重建，通过转置卷积扩大特征图尺寸并整合特征提取子网络F₁提取的图像特征进行无云图的重构与恢复；特征恢复子网络F₂由r个卷积层组成，每个卷积层的卷积核的个数分别为{2^r-1k,…,2¹k,2⁰k}，卷积核尺寸均为e×e，卷积步幅为g，其中，r、k、e、g均为正整数，激活函数采用ReLU函数。

4.根据权利要求2所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述特征提取子网络F₁和特征恢复子网络F₂基于多层特征交互单元MFU搭建，并采用特征自适应校准单元FCU在子网络之间进行信息交换；

所述多层特征交互单元MFU负责提取不同感受野下的薄云特征，设计多条支路对不同层级的图像特征进行整合交互；

所述特征自适应校准单元FCU根据图像特征对薄云去除的重要程度，自适应地赋予相应权值完成图像特征重标定，使特征提取子网络F₁将对薄云去除有价值的特征传递给特征恢复子网络F₂完成无云图的重构。

5.根据权利要求4所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述多层特征交互单元具体为：

所述多层特征交互单元在特征提取子网络F₁中负责提取多种尺度下的薄云特征，在特征恢复子网络F₂中负责整合图像特征，完成无云遥感图像的重构；

所述多层特征交互单元MFU采用m个不同系数的空洞卷积在多种感受野下提取图像特征，系数为{1,3,…,2m-1},m≥1，空洞卷积的卷积核尺寸为d×d，激活函数为ReLU函数，在参数量不变的情况下，增大感受野来获取更大尺度下的特征；所述多层特征交互单元MFU设计n条支路整合交互不同层级图像特征，从而使网络融合多种尺度的图像特征。

6.根据权利要求4所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述特征自适应校准单元具体为：

所述特征自适应校准单元FCU使用全局平均池化将每个通道特征整合成一个值，使用两层全连接学习每个通道对应权值系数，两个全连接层输出节点数为C为输入特征图通道数量，σ为正整数，激活函数分别为ReLU函数和Sigmoid函数，最终将得到的权值系数与对应通道进行乘积，完成图像特征自适应校准工作。