【技术实现步骤摘要】
一种遥感多光谱图像去雾数据集的生成方法
[0001]本专利技术涉及大气光学、图像处理等领域。尤其涉及一种遥感多光谱图像去雾数据集的生成方法。
技术介绍
[0002]遥感多光谱图像在工业界和商业界都有着广泛的应用,但却容易受到天气的影响,导致图像细节模糊甚至丢失、对比度降低等,无法有效利用。云雾是遥感成像时最常遇到的天气状况,地球的大部分区域总是受到云雾的遮盖,并且随着工业发展带来的大气污染,全球发生云雾天气的概率还在不断上升,这导致遥感多光谱图像的利用效率大幅降低。
[0003]遥感多光谱图像去雾算法的目标是恢复受云雾影响而退化的遥感多光谱图像,进而提高遥感多光谱图像的利用效率。在传统的遥感多光谱图像去雾算法中,通常依赖于一些人为的先验或统计规律,这类算法的主要问题在于自适应能力较弱、去雾性能不稳定和参数调整过于复杂。随着深度学习的出现,基于深度学习遥感多光谱图像去雾算法在一些公开数据集上取得了远超传统算法的性能,但该类算法的发展仍然受限于缺乏大量高质量、无雾和有雾的遥感多光谱图像数据,尤其在使用监督学习方法时,要求训练数据中的有雾和无雾图像是成对的。
[0004]然而,在自然情况下,同时获取一个区域有雾和无雾对照的遥感多光谱图像是不可能的。因此,目前绝大多数的大规模图像去雾数据集都是采用合成的方式制作,虽然合成的有雾图像与真实的有雾图像有差距,但是这些合成的图像去雾数据集仍然有效地推动了深度学习图像去雾算法的研究,并且基于合成数据集训练的深度学习算法在真实有雾图像上依然具有一定的去雾效果。
【技术保护点】
【技术特征摘要】
1.一种遥感多光谱图像去雾数据集的生成方法,其特征在于,包括如下步骤:S1:收集预设数量的卷云通道图像与无雾的遥感多光谱图像,构造遥感多光谱图像源数据集;S2:基于一张卷云通道图像和雾气厚度参数,生成多光谱透射率图;S3:基于一幅无雾的遥感多光谱图像,生成多光谱大气光;S4:基于所述多光谱透射率图和无雾的遥感多光谱图像及多光谱大气光,生成有雾的遥感多光谱图像;S5:通过限制雾气厚度参数取值范围将雾气厚度划分为预设数量等级,对于源数据集中每一幅无雾的遥感多光谱图像,在每个雾气等级下采样数个不同的雾气厚度参数和相同数量张不同的卷云通道图像,进行步骤S2、S3和S4,合成预设数量对照的有雾遥感多光谱图像,收集所有无雾的遥感多光谱图像和对照的有雾遥感多光谱图像作为遥感多光谱图像去雾数据集。2.根据权利要求1所述的遥感多光谱图像去雾数据集的生成方法,其特征在于,步骤S2具体包括:S201:对于一张卷云通道图像,消除图像中的暗电平,得到雾气掩码;S202:基于所述雾气掩码及雾气厚度参数,生成基准通道反射率图和基准通道透射率图;S203:基于指数与反射率的散点数据对,利用三阶多项式拟合指数与反射率的曲线关系图,所述基准通道反射率图,生成相应的指数图;S204:基于所述基准通道透射率图和指数图,利用大气散射模型的导出公式生成其余通道的透射率图,得到多光谱透射率图。3.根据权利要求2所述的遥感多光谱图像去雾数据集的生成方法,其特征在于,步骤S201中,通过线性拉伸的方法对卷云通道图像进行归一化并消除暗电平。4.根据权利要求1所述的遥感多光谱图像去雾数据集的生成方法,其特征在于,步骤S3具体包括:S301:对于一幅无雾的遥感多光谱图像,利用各通道最亮的一部分像素估计对应通道的大气光值;S302:对源数据集中每一幅无雾的遥感多光谱图像,进行上述步骤,得到每一幅无雾的遥感多光谱图像的各通道大气光估计值,在每个通道分别计算大气光估计值的均值和方差,将方差最小的通道作为大气光基准通道;S303:基于步骤S301得到的单幅无雾的遥感多光谱图像各通道大气光估计值和步骤S302得到的无雾的遥感多光谱图像各通道的大气光估计值的均值和大气光基准通道,对单幅图像的各通道大气光估计值进行校正,得到多光谱大气光。5.根据权利要求4所述的遥感多光谱图像去雾数据集的生成方法,其特征在于,步骤S302和S303中,大气光估计值的均值计算公式和校正公式如下所示:
A
′
i
=α
·
A
i
+(1
‑
α)
·
R
i
A
r
,i,r∈{1,2,
…
,n}其中,N
J
表示源数据集中无雾...
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。