【技术实现步骤摘要】
一种不配对遥感影像薄云雾检测及去除方法
[0001]本专利技术属于遥感影像处理
，具体涉及一种不配对的薄云雾检测及去除方法，可自适应应用于非匀质的薄云雾校正并且在小数据集上可取得较好表现。
技术介绍
[0002]薄云雾问题因分布范围广、发生频率高，成为光学遥感影像不可回避的问题。遥感影像中的薄云雾区域既包含部分地表信息又混合了云雾信息，其形成过程涵盖辐射偏差、区域模糊和色彩畸变等降质问题。对遥感影像实现薄云雾校正可提高遥感数据的应用潜力及遥感应用的研究精度。
[0003]现有的薄云雾校正主要有4大类方法。1)基于辐射传输模型的校正方法；这种方法考虑的物理成像模型并进行缜密的数学建模，可较为客观的描述薄云雾成像过程。但是因为使用这类方法进行薄云雾校正依托于实测参量，所以普适性低。且这类方法只能够实现匀质大气光校正，难以适应非匀质的薄云雾校正问题。2)基于统计信息的校正方法；这种方法无需依赖实测参量，仅用遥感影像的空间、光谱统计信息即可实现校正，应用范围较广。但是因为对散射降质过程的考虑较少，所以校正结果在光谱保真...
【技术保护点】
【技术特征摘要】
1.一种不配对遥感影像薄云雾检测及去除方法，其特征在于，包括如下步骤：步骤S1，根据薄云成像模型进行数据集的建立，数据集包括待校正数据、参考地表数据、参考薄云数据三部分；步骤S2，设计用于实现薄云检测及去除的卷积网络结构，所述卷积网络包括3个生成器和2个判别器，其中所述生成器包括地表生成器G
g
、云生成器G
c
和重构生成器G
r
，判别器包括地表判别器D
g
和云判别器D
c
；生成器G
g
、G
c
和G
r
分别实现对地表分量的提取、云雾分量的提取及待校正影像的重构，其结构为任意卷积神经网络或Transformer结构；判别器D
g
和D
c
，分别实现对生成的地表分量真实性、生成的云雾分量的真实性，其结构为任意判别模型；步骤S3，设计卷积网络的损失函数并进行训练，网络训练结束，获得最优的网络参数，其中损失函数包括生成器损失函数和判别器损失函数；步骤S4，对于任意一幅待校正遥感影像，利用得到的最优网络参数进行计算，输出地表提取结果和云雾提取结果，使用G
g
实现对遥感影像的地表分量提取，使用G
c
实现对遥感影像的云雾分量提取，使用G
r
实现具有真实分布情况的薄云覆盖数据模拟。2.如权利要求1所述的一种遥感影像薄云雾检测及去除方法，其特征在于：步骤S1中薄云成像模型的构建方式如下；大气浑浊条件下，传感器所观测影像可表示为如下式子：I＝TI
g
+I
c
≈I
g
+I
c (1)式中，I为传感器接收辐射，对应待校正数据；I
g
为云下地表反射辐射，对应地表分量；I
c
为薄云雾辐射，对应云雾分量，T为辐射的上下行透过率。3.如权利要求1所述的一种遥感影像薄云雾检测及去除方法，其特征在于：步骤S1中待校正数据、参考地表数据来自可见光遥感影像，经辐射定标处理得到表观反射率数据，并从中筛选出薄云覆盖的待校正影像区以及无云覆盖的晴空影像区，即参考地表数据；在薄云覆盖区，设计云量计算模块，利用云雾的波段相关性及影像统计信息，计算得到参考薄云数据，具体计算细节如下：(1)根据云雾的波段相关性，可得I
c
为参考薄云数据，i和j表示任意可见光、近红外、卷云中的任意波段对，λ为波段的中心波长，γ为表示大气状态的常数；(2)根据Landsat8数据的海岸线波段及蓝波段具有强的线性相关性，根据上式，可计算得到γ；(3)根据Landsat8数据卷云波段及对应的γ取值可计算得到卷云在各波段上的辐射值；(4)经过数据增强操作可获取特定分辨率、尺度、随机形态的参考薄云雾数据；将待校正影像数据、参考地表数据和参考薄云雾数据中的影像裁剪为尺寸K
×
K大小的图像块，加入到对应数据集中。4.如权利要求1所述的一种遥感影像薄云雾检测及去除方法，其特征在于：步骤S3中生成器损失函数，包括生成对抗损失、交替优化损失、同一性损失、加性损失4部分；L
G
(G
g
,G
c
,G
r
,D
g
,D
c
)＝ω1L
adv
+ω2L
opt
+ω3L
id
+ω4L
add (2)其中，L
G
表示生成损失，G
g
表示地表生成器，G
c
表示云生成器，G
r
表示重构生成器，D
g
表示地表判别，D
c
表示云判别器，ω1，ω2，ω3，ω4表示加权系数，L
adv
表示对抗损失，L
opt
表示交替
优化性损失，L
id
表示同一性损失...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。