一种基于多路感知梯度的遥感图像薄云移除方法技术

本发明专利技术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。输入单张薄云遥感图像实现薄云移除。输入单张薄云遥感图像实现薄云移除。

【技术实现步骤摘要】
一种基于多路感知梯度的遥感图像薄云移除方法


[0001]本专利技术涉及图像处理技术与深度学习
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于步骤如下：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。2.根据权利要求1所述的一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于，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p1>p2,p1>p3。3.根据权利要求1所述的一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于，所述步骤2)中，所述搭建感知梯度提取模块具体包括感知特征提取单元、梯度信息提取单元、残差特征提取单元和残差连接。4.根据权利要求3所述的一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于，所述感知特征提取单元具体采用VGG19网络提取图像特征，模拟人类视觉系统提取图像感知层面的特征，采用VGG19网络第n1层第n2个输出结果作为感知特征信息，用于后续薄云移除任务，其中，n1和n2为正整数。5.根据权利要求3所述的一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于，所述梯度信息提取单元具体采用Sobel算子滤波器在特征图上做步幅为d1的卷积操作，用于提取图像梯度信息，梯度信息中包含云层相关特征；其中，d1为正整数。6.根据权利要求3所述的一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于，所述残差特征提取单元由e个残差单元组成，每个残差单元包括s1个卷积+ReLU激活函数、1个特征校准单元和1个残差学习，卷积核尺寸均为f
×
f，步幅为d2，其中e、s1、f和d2均为正整数。7.根据权利要求6所述的一种基于多路感知梯度的遥感图像薄云移除方法，其特征在于，所述特征校准单元由3条支路组成，进行图像特征校准任务，该单元输入为α
in
，输出为α
out
；支路1为特征图的每个像素赋予一个权重，实现像素级特征校准，由g个卷积+ReLU激活函数组合和1个卷积+Sigmoid激活函数组合组成，支路1的输出结果为α
s
，卷积核尺寸为z
×
z，步幅为x，支路1不改变特征图尺寸和通道数量，其中，g、z和x均为正整数；
支路2不做任何操作，输出仍为特征校准单元的输入α
in
；支路3为特征图的每个通道内的像素赋予一个相同权重，实现通道级特征校准，由平均值池化、v个卷积+ReLU激活函数组合、1个卷积+Sigmoid激活函数组合和1个特征尺寸扩充单元组成；平均值池化将特征图每个通道的像素值取平均值作为结果，特征图尺寸由W
×
H
×
C变为1
×1×
C；特征尺寸扩充单元将特征图由尺寸为1
×1×
C复制扩充为W
×
H
×
C，即由1
×
1个值复制为W
×
H个相同的值，保持支路3的输入和输出特征图尺寸和通道数量不变；支路3输出结果为α
c
，卷积核尺寸为a
×
a，步幅为k，其中，v、a和k均为正整数；特征校准单元的输出α
out
为3条支路输出特征图在对应像素进行乘积操作的结果，如下所述：式中，α
out
为特征校准单元的输出，α
s
为支路1的输出结果，α
in
为支路2的输出结果，α
c
为支路...

【专利技术属性】
技术研发人员：王晓宇，刘宇航，张严，佘玉成，
申请(专利权)人：航天东方红卫星有限公司，
类型：发明
国别省市：