[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

说明书

本发明公开了一种基于特征自适应校正的遥感图像薄云去除方法，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。本发明不依赖先验知识和物理模型，仅由单张薄云遥感图像就可完成端到端的薄云去除，适用范围广，实施简单方便，薄云去除效果真实自然。

技术领域

本发明涉及人工智能和图像处理技术领域，尤其涉及一种基于特征自适应校正的遥感图像薄云去除方法。

背景技术

遥感卫星拍摄的光学图像能够捕捉地面信息，为人类掌握信息提供了很大的便利，例如天气预报，灾害预警等领域。然而，光学传感器会被大气环境所影响，尤其是云的影响最为严重，拍摄的遥感图像被云遮挡，限制了后续对遥感图像的利用，例如目标检测，目标定位和数据融合等方面。因此，研究云雾去除技术具有实际意义和现实价值。

传统的光学遥感图像薄云去除技术主要包括滤波法和先验知识法等。滤波方法一般采用同态滤波法等，同态滤波法将图像从空间域变换到频率域，由于云只影响低频信息，用滤波函数抑制低频增强高频，从而进行薄云去除。先验知识法通过分析传感器成像机理，根据经验和分析提出一些假设先验知识，并据此对无云遥感图像进行推理，从而恢复无云遥感图像。例如暗通道先验和暗目标减法等。暗通道先验法假设无云图像在非天空的局部区域的像素有一个通道接近于零，并基于大气散射模型实现图像去雾；暗目标减法假设图像由地表反射和大气散射构成，山体阴影和茂密的植被等暗目标在传感器中辐射值几乎都来自大气散射，假设云雾分布均匀时暗目标的辐射包括大气散射和云雾，因此通过暗目标减法可达到云雾去除的目的。此类方法弊端明显，适用性比较局限，在某些情况下先验知识失效，导致结果不尽人意。

近几年，随着人工智能技术飞速发展，卷积神经网络凭借强大的特征学习能力正成为科研人员的首选技术，深度学习在图像分类、目标检测和人脸识别等方面取得了不错的成绩，许多科研人员尝试采用基于深度学习的方法进行光学遥感图像薄云去除算法，并取得了较好的效果。基于深度学习的薄云去除技术已经成为比较热门的研究方向，此类算法性能较好，可以避免手工设计特征和经验主义的缺点。

通过上述分析可知，传统薄云去除算法具有明显的局限性，而基于深度学习的端到端遥感图像薄云去除算法能够拟合出薄云遥感图像和清晰遥感图像之间的函数映射，薄云去除效果更加自然和真实。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种基于特征自适应校正的遥感图像薄云去除方法，通过多层特征交互单元完成特征提取与重建工作，采用特征自适应校正机制根据对薄云去除的重要程度进行图像特征重标定，实现图像特征自校准工作。本发明不依赖先验知识和物理模型，通过训练学习薄云遥感图和无云遥感图之间的关系，实现单张遥感图像薄云去除，详见下文描述：

本发明的技术方案是：一种基于特征自适应校正的遥感图像薄云去除方法，所述方法包括：

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；

薄云去除网络结构由特征提取子网络F₁和特征恢复子网络F₂组成，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，特征提取子网络F₁和特征恢复子网络F₂结构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；