[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

说明书

本发明提供了基于深度学习的高分影像阴影区域恢复重建方法，包括：获取遥感影像样本，并对遥感影像进行预处理，得到训练集；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；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；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。本发明通过深度学习模型训练，消除影像的阴影区域，使这些区域还原成与光照区域相近的亮度视觉效果。

技术领域

本发明涉及图像处理领域，尤其涉及基于深度学习的高分影像阴影区域恢复重建方法。

背景技术

高分卫星、高空无人机航拍等生产影像时，受光照、拍照角度影响，影像的部分区域会被阴影所覆盖。阴影区域对影像信息展现、浏览使用有一定程度的视觉障碍，特别是对影像信息作进一步的图像数据处理(如构建3D模型、目标分割等)时，阴影区域会对处理结果造成极大的不良影响。关于图像的阴影去除经典图像方法主要包含滤波、图像区域形态学统计、色彩空间变换等，这些方法在复杂的真实影像场景中恢复阴影时存在较大的质量问题，且某些方法会伴随着大量的人工经验参数调整；近年来随着深度学习在图像处理上的应用取得较大的进展，一些基于深度学习重建图像阴影区域的方法被提出，在一定程度上可恢复某些复杂场景下图像阴影区域，相较于传统经典的图像处理方法效果更好且无需人工调参，目前基于深度学习的图像阴影去除的方法仍存在一些不足，首先是采集阴影与非阴影匹配样本时难度较大成本高，其次在不同光照下的图像阴影区域恢复的色彩亮度与非阴影区域亮度不匹配，造成恢复的图片视觉效果不理想。

发明内容

有鉴于此，针对以上技术问题，本发明旨在一定程度上解决当前影像阴影去除重建所面临的问题，采用自然拍摄下携带阴影的影像图片以及图片对应的阴影-非阴影标注样本，通过本发明设计的深度学习模型训练，消除影像的阴影区域，使这些区域还原成与光照区域相近的亮度视觉效果。

本发明提供的一种基于深度学习的高分影像阴影区域恢复重建方法，包括以下步骤：

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。

进一步地，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。

进一步地，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)。

进一步地，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。

进一步地，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。

进一步地，所述前端卷积网络MLP1一共10层，每层的卷积核为3×3，激励函数为leakyrelu；其中第2-10层有bn操作层的残差网络。

进一步地，卷积网络MLP2的结构与所述前端卷积网络MLP1结构相同。

进一步地，卷积网络MLP3一共12层，每层卷积核大小为3×3，激励函数为leakyrelu；其中第2-12层有bn操作层的残差网络。