[发明专利]一种基于多路感知梯度的遥感图像薄云移除方法

说明书

本发明一种基于多路感知梯度的遥感图像薄云移除方法，所述方法包括：建立遥感图像薄云移除数据集，按一定比例组成训练集、验证集和测试集；搭建感知梯度提取模块，用于提取图像薄云特征；搭建云层厚度估计模块，用于自适应估计云层厚度；搭建遥感图像薄云移除网络，用于从单张薄云遥感图像到清晰遥感图像的转换；采用遥感图像薄云移除数据集训练遥感图像薄云移除网络，使用的损失函数包括特征损失函数、梯度损失函数和云层厚度损失函数；将训练结束得到的模型参数导入遥感图像薄云移除网络，输入单张薄云遥感图像实现薄云移除。

技术领域

本发明涉及图像处理技术与深度学习技术领域，尤其涉及一种基于多路感知梯度的遥感图像薄云移除方法。

背景技术

遥感卫星拍摄的光学遥感图像经常受到环境中云层的影响，导致图像中的关键内容被遮挡、细节信息丢失和颜色失真等一系列问题，大大降低光学遥感图像的利用效率，严重影响对遥感图像的判读，致使很多遥感应用无法顺利进行。被厚云影响的光学遥感图像没有利用价值，薄云遥感图像通过适当的技术手段处理后移除薄云的影响，便于后续图像的处理与运用。

传统的遥感图像薄云移除方法采用图像滤波法和统计先验法等，此类方法通过滤波去除图像中的云层影响，或者通过统计分析有云和无云图像之间的差异，提出统计先验信息进而完成薄云移除任务。此类方法局限性比较明显，无法适应复杂多变的情况。

随着深度神经网络的飞速发展，采用深度卷积神经网络设计遥感图像云雾去除方法得到了广泛的关注。卷积神经网络能够提取图像特征并重建图像内容，实现遥感图像的云雾去除，难点在于如何设计网络和模块提取适合云雾去除的特征，并保持恢复的图像真实、自然。通过提出的神经网络结构自适应地学习薄云遥感图像与清晰遥感图像之间的转换关系，实现薄云遥感图像的薄云移除。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种基于多路感知梯度的遥感图像薄云移除方法，不需要复杂的假设和先验，可以直接从一张有雾图像恢复出无雾图像，简单易行。

本发明的技术方案是：一种基于多路感知梯度的遥感图像薄云移除方法，步骤如下：

1)建立遥感图像薄云移除数据集，包括薄云遥感图像、清晰遥感图像和云层厚度图像，按比例组成训练集、验证集和测试集；

2)搭建感知梯度提取模块，用于提取图像薄云特征；

3)搭建云层厚度估计模块，用于自适应估计云层厚度；

4)基于步骤2)中得到的感知梯度提取模块和步骤3)中得到的云层厚度估计模块，搭建遥感图像薄云移除网络，用于从单张薄云遥感图像到清晰遥感图像的转换；

5)利用步骤1)得到的数据集训练遥感图像薄云移除网络，使用的损失函数包括特征损失函数、梯度损失函数和云层厚度损失函数；

6)将训练结束得到的模型参数导入遥感图像薄云移除网络，输入单张薄云遥感图像实现薄云移除。

所述步骤1)中，遥感图像薄云移除数据集具体为：

11)选取n张清晰遥感图像R，通过生成仿真薄云得到薄云遥感图像C和云层厚度图像T；将遥感图裁剪成尺寸为N×N的图像，将具有对应关系的清晰遥感图像R、薄云遥感图像C和云层厚度图像T组成遥感图像薄云移除数据集，记为{R_i,C_i,T_i|i∈(1,…,m)}，其中i为图像的序号，m为图像的数量，i和m为正整数；

12)将遥感图像薄云移除数据集按照p₁:p₂:p₃的比例划分为训练集、验证集和测试集，其中，p₁、p₂和p₃为正整数，且p₁p₂,p₁p₃。