[发明专利]基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法

说明书

本发明涉及一种基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法，将训练数据进行尺度变换后输入到不同尺度的网络结构中，依次从粗粒度到细粒度，逐级提取不同尺度的特征进行融合，以实现从粗到精的多尺度学习，最终获得有云、无云数据之间的映射关系，有效移除云成分，恢复图像细节，达到薄云去除的目的。实验结果表明，本发明与传统的薄云去除方法相比，能够消除传统方法带来的人为痕迹，准确的恢复图像中有云区域的信息，而且能够维持无云区域的保真度，薄云去除效果更好、精度更高。

技术领域

本发明涉及一种基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法，属于图像处理领域。

背景技术

由于遥感对地观测系统的辐射传输过程中存在大气的散射和吸收作用，遥感卫星获取到的观测图像中不仅有相关的地物信息，同时还存在大气中云的信息。由于云在空间上的不确定性和时间上的多变性，降低了遥感卫星图像的成像质量和信息精度，图像特征难以辨认，视觉效果差，严重影响了其后期使用。其中，云可以分为厚云和薄云。由于太阳辐射无法穿透，厚云覆盖下的地物信息完全缺失，需要借助其他信息进行云遮挡区域的重构。而薄云是指云层较薄，能够被太阳光穿透的各类云。有薄云污染的遥感图像获取的是薄云和地物特征的混合信息，移除薄云的影响则可得到相应的地表真实信息，提高遥感图像的利用率。但是，由于薄云的不均匀分布特性使得去除过程中不可避免的会破坏图像无云区域的地表特征而导致出现辐射扭曲问题。因此，薄云的去除问题一直是一项具有挑战性的工作，迫切的需要一种算法同时实现有云区域的薄云去除和无云区域的地物特征保真。

薄云去除问题旨在给定一幅有云图像，通过相关算法估计出未知干净无云的图像，属于图像处理领域中的经典问题。早期的薄云去除算法方法主要聚焦于通过图像的光谱统计特性或者先验知识建立经验关系或者相关物理模型探索人工特征，例如RadiativeTransfer Model、Homomorphic Filter、Haze Optimized Transformation、Dark ObjectSubtraction、Histogram Matching等等。但是这些经验关系和模型参数的确定通常需要很多辅助数据的支持。并且，往往严重依赖一些额外的限制性条件。此外，还要确保参数估计的精确性，不然会直接对去云精度造成很大的影响，产生局部模糊、失真、偏色等误差。这些因素的存在限制了传统方法的处理效果和适用范围，无法得到广泛的应用。

为了解决用传统方法进行薄云去除的时候引入上述人工误差问题，获取更好的效果，当前工作致力于研究一种不依赖其他条件直接处理的方式进行薄云去除。近年来，随着深度学习的兴起，完全数据驱动和不需要先验知识的深度神经网络在图像处理和计算机视觉等领域展现出了杰出的优势，其应用范围涵盖了高级图像识别、中低级图像处理等诸多方面，例如目标识别、检测、分类和图像去噪、动态去模糊、重建等等。其中，基于全卷积神经网络的方法更是实现了从图像级理解到像素级理解的巨大跨越，使得端对端的像素级处理成为可能。而且融合多尺度的信息有助于增强模型学习性能，消除人工痕迹，优化结果。因此，通过卷积神经网络自动学习到不同尺度遥感图像的深层次特征，引入多尺度协同学习机制，上采样低级尺度与高级尺度融合后可以直接实现图像的相关处理。

发明内容

要解决的技术问题

本发明的目的是针对对地遥感观测系统中由于薄云的影响而造成的图像成像质量降低、信息精度受损的问题，设计一种高性能、高精度的薄云去除算法，以获取到干净无云的清晰图像，提高遥感图像利用率。

技术方案

一种基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法，其特征在于步骤如下：