一种基于深度学习的遥感图像去雾增强方法技术

本发明专利技术公开了一种基于深度学习的遥感图像去雾增强方法，包括以下步骤：构建卷积神经网络模型，卷积神经网络模型包括卷积层、卷积残差模块、FEM_BLOCK、大气散射模型层；对卷积神经网络模型进行训练，然后采用损失函数对输出结果进行约束，调整卷积神经网络模型参数，得到遥感图像去雾增强网络模型；利用遥感图像去雾增强网络模型对有雾遥感图进行处理，得到去雾图像。将去雾和超分辨两个领域相结合，使网络在去雾的同时，能够对去雾后的遥感图像进行增强工作，获得高质量的遥感图像为后续的遥感图像处理工作提供高质量的数据。感图像处理工作提供高质量的数据。感图像处理工作提供高质量的数据。

【技术实现步骤摘要】
一种基于深度学习的遥感图像去雾增强方法


[0001]本专利技术属于图像处理
，涉及一种基于深度学习的遥感图像去雾增强方法。

技术介绍

[0002]随着科学技术的迅猛发展，人类社会正在进入信息化社会，计算机的应用日益广泛，图像去雾技术对各领域的发展越来越重要。图像去雾技术是计算机视觉领域中一项基础且极具挑战性的任务，其目标旨将雾霾图像恢复成清晰图像，在遥感图像领域和无人机图像处理等视觉应用中发挥着日益重要的作用。
[0003]遥感图像去雾是图像去雾领域中的一个重要分支，也是目前学术界和工业界的一个研究热点，在城市规划、变化检测以及地理信息系统构建等方面有着十分广泛的应用。随着遥感技术的不断发展，遥感图像被广泛运用于军事国防、灾害应急响应以及生态环境监测等领域。大气中的云层可以分为厚云和薄云。薄云的存在会使光学遥感图像中的地物信息变得模糊不清，而厚云的存在会使地物信息完全缺失。所以主要是针对薄云以及雾霾进行处理。但是诸多复杂因素(比如目标空间分散、多变的尺度和多样化的拓扑形状、以及复杂的背景和阴影等)使得遥感图像去雾成为一项具有挑战性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感图像去雾增强方法，其特征在于，包括以下步骤：步骤1、构建卷积神经网络模型，所述卷积神经网络模型包括依次排列的卷积层1、FEM_BLOCK1、卷积层2、FEM_BLOCK2、卷积层3、FEM_BLOCK3、卷积层4、卷积残差模块、卷积层5、卷积层6、FEM_BLOCK4、卷积层8、FEM_BLOCK5、卷积层10、FEM_BLOCK6、卷积层13、大气散射模型层，所述卷积层4与卷积层6形成通道连接，卷积层3与卷积层7形成通道连接，卷积层2与卷积层8形成通道连接；步骤2、对所述卷积神经网络模型进行训练，然后采用损失函数对输出结果进行约束，调整卷积神经网络模型参数，得到遥感图像去雾增强网络模型；步骤3、利用所述遥感图像去雾增强网络模型对有雾遥感图进行处理，得到去雾图像。2.根据权利要求1所述的一种基于深度学习的遥感图像去雾增强方法，其特征在于，所述FEM_BLOCK1、FEM_BLOCK2、FEM_BLOCK3、FEM_BLOCK4、FEM_BLOCK5、FEM_BLOCK6的结构相同，均包括下采样模块和上采样模块，所述上采样模块包括依次设置的第一反卷积层、第一卷积层、第二卷积层、第二反卷积层，所述第二卷积层输出与输入图像相减后作为第二反卷积层的输入，所述第二反卷积层的输出与第一反卷积层的输出相加进行反向优化；所述下采样模块包括依次设置的第三卷积层、第三反卷积层、第四卷积层、第五卷积层，所述第四卷积层输出结果与与输入图像相减获得误差反馈，将所述误差反馈输入第五卷积层，输出结果与第三卷积层输出结果相加得到优化误差。3.根据权利要求2所述的一种基于深度学习的遥感图像去雾增强方法，其特征在于，所述上采样模块的特征提取过程为：输入图像先在第一反卷积层进行上采样操作，输出结果进入第一卷积层进行下采样，输出结果进入第二卷积层进行特征提取，输出特征与输入图像相减获得误差反馈，将所述误差反馈输入第二反卷积层进行上采样，输出结果与第一反卷积层输出结果相加进行反向优化。4.根据权利要求2所述的一种基于深度学习的遥感图像去雾增强方法，其特征在于，所述下采样模块的特征提取过程为：输入图像先在第三卷积层进行下采样操作，输出结果进入第三反卷积层进行上采样操作，输出结果在第五卷积层进行特征提取，输出特征与输入图像相减获得误差反馈，将所述误差反馈输入第四卷积层进行特征提取，输出结果与第一次下采样卷积结果相加得到优化误差。5.根据权利要求2所述的一种基于深度学习的遥感图像去雾增强方法，其特征在于，所述卷积神经网络模型的训练过程为：步骤a、将有雾遥感图像x经过一个卷积核大小为3x3、步长为1、通道大小为3的卷积层：O1＝F1(x)
ꢀꢀꢀꢀ
(1)；步骤b、将输出的特征O1输入FEM_BLOCK1中进行下采样操作：O2＝FEM_BLOCK1(O1)
ꢀꢀꢀꢀ
(2)；步骤c、将输出的特征O2输入卷积核大小为3x3、步长为1、通道大小为12的卷积层：O3＝F2(O2)
ꢀꢀꢀꢀ
(3)；步骤d、将输出特征O3输入FEM_BLOCK2模块中进行下采样操作：O4＝FEM_BLOCK2(O3)
ꢀꢀꢀꢀ
(4)；步骤e、将输出的特征O4输入卷积核大小为3x3、步长为1、通道大小为24的卷积层：O5＝F3(O4)
ꢀꢀꢀꢀ
(5)；
步骤f、将输出特征O5输入FEM_BLOCK3中进行下采样操作：O6＝FEM_BLOCK3(O5)
ꢀꢀꢀꢀ
(6)；步骤g、将输出的特征O6输入卷积核大小为3x3、步长为1、通道大小为24的卷积层：O7＝F4(O6)
ꢀꢀꢀꢀ
(7)；步骤h、将输出的特征O7依次输入RES_BLOCK1、RES_BLOCK2、RES_BLOCK3、RES_BLOCK4、RES_BLOCK5、RES_BLOCK6中：O8＝RES_BLOCK1(O7)
ꢀꢀꢀꢀ
(8)；O9＝RES_BLOCK2(O8)
ꢀꢀꢀꢀ
(9)；O
10
＝RES_BLOCK3(O9)
ꢀꢀꢀꢀ
(10)；O
11
＝RES_BLOCK4(O
10
)
ꢀꢀꢀꢀ
(11)；O
12
＝RES_BLOCK5(O
11
)
ꢀꢀꢀꢀ
(12)；O
13
＝RES_BLOCK6(O
12
)
ꢀꢀꢀꢀ
(13)；步骤i、将输出的特征O
13
输入卷积核大小为3x3、步长为1、通道大小为24的卷积层：O

【专利技术属性】
技术研发人员：石争浩，邵帅，尤珍臻，都双丽，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：