[发明专利]一种基于生成对抗网络的遥感图像薄云去除方法

摘要

本发明涉及一种基于生成对抗网络的遥感图像薄云去除方法，包括如下步骤：步骤1：建立薄云去除系统模型；步骤2：网络模型设计；步骤3：辨识准则函数构建；步骤4：薄云去除系统辨识；步骤5：遥感图像薄云去除。本发明采用生成对抗式神经网络来建模薄云去除问题，并对其进行系统辨识，可实现端到端的薄云去除。所构建的准则函数综合了数据分布和重建精度两方面的误差，使得系统能够更好地学习数据的特征，从而实现薄云的去除。本发明提出的方法具有自适应去除不均匀薄云的能力，所恢复的图像具有很好的色彩和纹理一致性。

主权项

1.一种基于生成对抗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：建立薄云去除系统总体模型针对Landsat‑8OLI陆地成像仪所采集的遥感图像进行薄云去除；Landsat‑8为美国在2013年2月11日发射的卫星，携带有OLI陆地成像仪和TIRS热红外传感器，Landsat‑8的OLI陆地成像仪包括9个波段，其中第4、3、2波段对应了红、绿、蓝三个可见光波段；选用第4、3、2波段得到真彩色合成图像，进行薄云去除；薄云成像失真模型描述为：s(i,j)＝aLr(i,j)t(i,j)+L(1‑t(i,j))    (1)其中，s(i,j)为传感器在点(i,j)处接收到的信号，L是大气光辐射，r(i,j)是地面真实反射，即所期望的无云图像，t(i,j)是透射图，a是大气光衰减系数，介于0～1范围内；根据该成像失真模型，当透射图已知时，建立无云清晰图像和有云图像之间的线性关系；令y表示作为条件输入的有云图像，z代表引入的噪声，表示恢复的无云图像，g代表生成模型，即薄云去除操作，那么薄云去除系统可以用下面的简化数学模型来表示：根据公式(2)建立的薄云去除系统模型，只要通过设计的网络辨识得到参数化的生成模型g，则通过函数关系便从输入的有云图像预测出无云清晰图像，以实现对遥感图像的薄云去除；步骤2：网络模型设计采用一组生成对抗神经网络对薄云去除系统模型进行辨识；辨识系统所用网络由两个子网络组成：生成网络G和判别网络D；生成网络G利用输入信息预测无云图像，即接收有云图像和噪声，以准则函数驱动训练，使得生成的无云图像能够让判别网络D判别为真；判别网络D的作用是对生成的无云图像和真实的无云图像进行判别，辅助生成网络G的训练；两个子网络以二元极大极小博弈损失进行抗衡，在此过程中，生成网络G学习真实数据的条件分布；通过两个子网络的对抗学习，获得辨识参数；辨识完成后，生成网络G即作为与薄云去除系统生成模型g具有相同输入输出特性的替代模型；在对遥感图像进行薄云去除操作时，生成网络G进行一次前向传播，通过辨识出的参数即计算恢复出无云图像，不需再次通过判别网络D；步骤3：辨识准则函数构建为使生成网络G与薄云去除系统生成模型g具有相同的输入输出特性，还需要两者的误差作为网络的训练监督信号；这个信号由判别网络D的输出和监督样本对给出；相应地，准则函数也由两部分构成；步骤4：薄云去除系统辨识4.1训练样本获取使用生成对抗式神经网络模型进行薄云去除系统生成模型g的辨识，是一个监督学习的过程，需要带标签的数据对生成网络和判别网络进行训练；然而遥感卫星对同一地点的回访具有周期间隔，在此时间段内大气辐射、地貌特征会发生很大变化，而长时间定点拍摄的花费又十分高昂，所以理想的成对有云图像及其无云真值图很难获得；因此，基于监督学习的薄云去除方法通常采用仿真的手段获得足够多的训练样本；同样，采用在清晰图像上生成仿真薄云的方法，以清晰图像作为无云真值图，获得带标签数据；4.2辨识系统网络训练使用梯度下降思想来对辨识系统进行参数求解，具体优化采用Adam优化算法；使用仿真得到的成对的样本作为辨识系统的输入和理想输出，对生成网络G和判别网络D进行迭代训练，并不断更新两个子网络的参数，当准则函数损失趋于稳定时，两个网络训练完毕；得到的生成网络G即为与公式(2)所述的遥感图像薄云去除系统生成模型g具有相同输入输出特性的替代模型，辨识系统模型训练完毕也即确定了生成网络G的参数，至此，薄云去除系统辨识完成；步骤5：遥感图像薄云去除步骤4的辨识训练过程完成后，网络模型即具有了与实际薄云去除系统相同的输入输出特性；对于一幅带有薄云的遥感图像，将其输入生成网络G进行一次前向传播，利用训练好的参数进行运算，即输出被恢复的无云图像。