[发明专利]一种城市可见光遥感图像阴影去除的弱监督方法

说明书

一种可见光遥感图像阴影去除的弱监督深度学习方法，将生成对抗网络与阴影成像模型相结合，能够对非配对的数据进行学习，实现可见光遥感图像的阴影去除。通过基于阴影成像模型的阴影迁移模块，网络能够将有阴影遥感图像中的阴影信息迁移到其他的无阴影遥感图像中。将经过阴影迁移的遥感图像数据和其原始数据组成数据对作为训练数据，对网络进行训练来提升网络去阴影效果。在整个流程中，所设计的网络不需要输入严格的有阴影‑无阴影的数据对，是一种弱监督的阴影去除网络。通过在生成对抗网络中引入阴影迁移流程，使阴影去除模型获得了对非配对的有阴影和无阴影遥感数据学习的能力，此外阴影迁移流程引入阴影成像模型，提升了阴影的去除效果。

技术领域

本发明属于遥感图像增强领域，具体涉及一种基于生成对抗网络和阴影成像模型相结合的、能够对可见光遥感图像非配对数据进行训练的阴影去除方法。

背景技术

城市可见光遥感图像会受到阴影的困扰。通常而言，造成城市遥感图像中出现大面积阴影的情况主要受建筑以及高大树木等影响。这些阴影的出现降低了遥感图像的质量，对遥感图像的场景识别、分类以及分割等任务造成不利影响。比如高大建筑的阴影，会影响遥感图像道路线检测的精度；再比如可见光遥感图像用于建立三维模型(如谷歌地球)时，纹理贴图所存在的阴影也会对三维模型的视觉效果产生影响。因此，需要一种自动阴影去除方法完成对可见光遥感图像的阴影去除，来提高遥感图像的质量，从而提高后续遥感图像分析的可靠性。

早期的阴影去除方法多通过对梯度、纹理、颜色或者深度等信息分析后，自动或者半自动地检测出阴影区域，并对其进行补偿。然而阴影区域检测去除是相对困难的任务。我们所看到的图像是光照、物体形状、以及照射物体表面纹理和反射率共同作用的结果。图像上的某一区域的绝对亮度很暗不代表一定是阴影区域，有可能只是物体表面反射率过低的结果，反之，有的区域看起来特别亮，也有可能是阴影下的白色物体。要想真正地“理解”阴影，各种方法需要不仅仅关注于底层的颜色、纹理等物理信息，还要关注顶层的语义信息。基于深度学习的方法因为可以更好地处理顶层语义信息而被大量运用于阴影检测去除任务中。但这类阴影去除方法严格依赖于有阴影图像及其对应无阴影图像的数据对(后边称“有阴影-无阴影”数据对)进行训练，而遥感图像中有阴影图像对应的无阴影真值是难以获取的，因此这类方法无法在可见光遥感图像阴影去除任务中大规模应用。为方便叙述，下文可见光遥感图像简称为图像，有阴影可见光遥感图像简称为有阴影图，无阴影可见光遥感图像简称为无阴影图。

生成对抗网络(GAN)在检测、分割、风格迁移等任务中得到了广泛的应用。生成对抗网络的设计利用了博弈的思想，生成器G生成假图像，判别器D来判别生成器图像的真实性，经过对网络的损失函数进行设计后，G能够在训练过程中生成更真实的图像来欺骗D，而D则需要进一步训练来分辨假图像。这样在对生成器和判别器的交替迭代优化后，最终网络达到纳什均衡。本发明设计了一个全新的生成对抗网络模型，通过引入物理光照模型，使生成对抗网络能够在去除阴影的同时生成高质量的阴影-无阴影仿真数据对，将这个数据对作为监督信息来训练生成网络从而提升网络的去阴影能力，可获得优秀的阴影去除效果。

发明内容

本发明的目的在于提供一种可见光遥感图像阴影去除的弱监督深度学习方法，该方法将生成对抗网络与阴影成像模型相结合，能够对非配对的数据进行学习，实现可见光遥感图像的阴影去除。通过基于阴影成像模型的阴影迁移模块，网络能够将有阴影遥感图像中的阴影信息迁移到其他的无阴影遥感图像中。将经过阴影迁移的遥感图像数据和其原始数据组成数据对作为训练数据，对网络进行训练来提升网络去阴影效果。在整个流程中，所设计的网络不需要输入严格的有阴影-无阴影的数据对，是一种弱监督的阴影去除网络。

本发明具体技术方案包括以下步骤：

步骤一：建立数据集