[发明专利]基于深度学习的高分影像阴影区域恢复重建方法

权利要求书

1.基于深度学习的高分影像阴影区域恢复重建方法，其特征在于：

S101：获取遥感影像样本，并对遥感影像进行预处理，得到训练集；

S102：构建遥感图像阴影重建网络模型；所述网络模型包括特征提取网络和阴影区域重建生成网络；

S103：将训练集输入值所述遥感图像阴影重建网络模型，分为两阶段依次训练所述特征提取网络和阴影区域重建生成网络，得到训练后的遥感影像重建网络模型；

S104：利用所述训练后的遥感影像重建网络模型完成对其它遥感影像图片的阴影区域恢复重建；

步骤S101中所述遥感影像样本包括影像图片I及影像图片I对应的二值化阴影-非阴影图片S；

第一阶段训练的总目标损失函数为：

Loss₁＝Loss_L+Loss_f+Loss_D

其中，Loss_f＝L1Loss(F(I)，F(I+SN))，F(·)表示图像内容提取网络NETf内容提取特征函数，L1Loss表示矩阵的平均绝对误差；Loss_f目标损失函数约束图像内容提取网络NETf忽略阴影区域的影响，提取图像的本质内容；

Loss_D＝sum(-log(S·S_g[0]+NEG(S)·S_g[1]+1e^-8))，S表示图像阴影-非阴影区分0、1的矩阵；·表示矩阵点积运算；NEG(·)表示0-1矩阵元素的取反操作；log(·)表示矩阵元素对数函数操作；sum(·)表示矩阵元素求和；Loss_D目标损失函数提取图像阴影相关信息特征表达；

Loss_L＝L1Loss(S·I，S·Ig)，其中Ig为阴影区域重建生成网络的输出特征通过卷积核3x3、输出通道3、激励函数tanh输出rgb归一化后的图像数据；Loss_L目标损失函数约束生成图像的非阴影区域还原成原始图像的区域像素；

第二阶段的总目标损失函数为：

Loss₂＝Loss_S+Loss_fg+Lo ss_L

其中，Loss_S＝W₀·Loss_sg+W₁·Loss_si；其中，W₀、W₁为权重参数，Loss_sg表示生成图像阴影边缘位置亮度值评估与相同位置生成图像的像素亮度值平方差和；Loss_si表示原始图像阴影边缘位置亮度值评估与相同位置生成图像的像素亮度值平方差和；Loss_S目标损失函数用于优化阴影区域重建生成网络生成图像时，使阴影区域与非阴影区域亮度相近且消除阴影区域；

Loss_fg＝L1Loss(F(I)，F(I_g))，其中I_g表示阴影区域重建生成网络的生成图像，Loss_fg损失函数使得生成的图像I_g除阴影特征之外的内容特征与输入原图保持内容一致。

2.如权利要求1所述的基于深度学习的高分影像阴影区域恢复重建方法，其特征在于：步骤S101中对遥感影像预处理，具体为：利用二值化阴影-非阴影图片S对影像图片I的光照区域添加人工合成的阴影噪声，得到合成图像(I+SN)；所述训练集包括影像图片I和合成图像(I+SN)。

3.如权利要求1所述的基于深度学习的高分影像阴影区域恢复重建方法，其特征在于：所述特征提取网络结构包括：前端卷积网络MLP1、图像内容提取网络NETf和阴影亮度分布提取网络NETs。

4.如权利要求1所述的基于深度学习的高分影像阴影区域恢复重建方法，其特征在于：所述阴影区域重建生成网络包括特征融合网络、卷积网络MLP2、卷积网络MLP3和输出特征网络。