[发明专利]一种基于卷积-反卷积网络的遥感图像薄云去除方法

摘要

本发明涉及一种基于卷积‑反卷积网络的遥感图像薄云去除方法，采用的网络结构由多个对称的卷积‑反卷积层链式组成，可分为卷积子网络层和反卷积子网络层，子层内每级网络结构后都加上ReLU单元进行修正。其中，卷积子网络层作为特征提取层在对图像内容的主要成分进行编码的同时消除薄云的影响，随后其对称的反卷积子网络层作为可学习的上采样层，对得到的抽象特征进行解码，以恢复图像内容的细节组成成分，最后反卷积层的输出即为处理得到的无云图像。本发明与传统的薄云去除方法相比，不仅能够准确的恢复有云区域的信息，而且能够维持无云区域的保真度，薄云去除效果更好、精度更高。

主权项

1.一种基于卷积-反卷积网络的遥感图像薄云去除方法，其特征在于步骤如下：步骤1、获取数据：以遥感卫星landsat8在一个重访周期采集到的两幅图像，设为同一地区不同时间点的多时相实验数据，其中，一幅图像干净无云，称为无云图像，另外一幅图像有薄云笼罩，称为有云图像；步骤2、预处理实验数据：采用envi5.3软件的Registration功能对云图像与无云图像进行配准；再分别将有云图像和无云图像以步长128分割为256*256大小的图像块集合，将有云图像块与对应位置的无云图像块组合成训练样本对；步骤3、训练网络模型：将训练样本对作为网络模型的输入进行训练，其中，以无云图像块集合作为训练目标，以其对应的同源有云图像块集合作为训练数据，进行多层网络参数训练，不断学习有云与无云图像块之间的映射关系，直至网络收敛；所述网络模型的网络结构由多个对称的卷积-反卷积层链式组成，实现端对端的处理，其中前五层卷积层称为卷积子网络层，作为特征提取层对图像内容进行编码，学习图像深层次的特征；后五层反卷积层称为反卷积子网络层，用于上采样恢复图像细节；步骤4、生成去云图像：将待处理的有云图像输入到已经训练好的网络模型中，通过网络的前向传播得到输出结果，即为该图像经过该网络实现的薄云去除操作后的去云图像。