[发明专利]一种弱监督的可见光遥感图像薄云去除方法

说明书

本发明提供一种弱监督的可见光遥感图像薄云去除方法，该方法将循环一致生成对抗网络和薄云成像模型相结合，能够使用非配对的遥感图像来对网络进行训练，从而实现可见光遥感图像的薄云去除，提升图像质量。首先使用3个生成器来从薄云图像中生成无云图像，薄云厚度图和厚度系数，并通过一个判别器来鉴别真实的无云图像和生成的无云图像，然后再采用一个薄云成像模型来重建原始的薄云图像，从而得到循环一致损失来对网络进行训练。另外，还使用薄云成像模型来生成仿真的薄云‑无云图像对，然后将生成的图像对作为监督数据来训练3个生成器，以进一步提升网络的薄云去除能力。

技术领域：

本发明属于遥感图像处理领域，具体涉及一种基于循环一致生成对抗网络和薄云成像模型相结合的、能够对可见光遥感图像非配对数据进行训练的弱监督薄云去除方法。

背景技术：

随着遥感技术的快速发展，可见光遥感图像被广泛应用于各种领域，如环境监测、资源勘察、地物分类、目标检测。然而，遥感图像常常会受到大气中云的污染，造成图像质量下降，限制了它们的使用。因此，对于许多遥感图像应用来说，薄云去除是一项关键的预处理过程，具有重要的实用价值。

早期的薄云去除方法一般都是基于简化的薄云成像模型或先验知识，严重依赖于研究人员手工制作的特征，这类方法对于复杂场景的遥感图像效果较差，鲁棒性较低。基于深度学习的薄云去除方法，可以充分利用深度卷积神经网络的自动学习能力来挖掘图像的高层语义特征，从而能够处理具有复杂地物条件的图像。然而，这类方法依赖于大量的薄云图像及其对应的无云图像来进行训练，而理想的配对的薄云-无云图像数据通常难以获取。

循环一致生成对抗网络(CycleGAN)可以使用非配对的数据来对网络进行训练，在图像变换任务中得到了广泛的应用。但是CycleGAN网络中生成器G_A生成的无云图像会包含一些有关薄云信息的噪声，被用于另一个生成器G_B来恢复原始的薄云图像。本发明将CycleGAN网络和薄云成像模型相结合，提出了一种新的弱监督的薄云去除方法。该方法将原始CycleGAN网络中的生成器G_A扩展为3个生成器，来从薄云图像中同时生成无云图像、薄云厚度图和厚度系数。另外，使用一个薄云成像模型代替原始CycleGAN网络中的生成器G_B，来从生成的无云图像中重建原始的薄云图像，以及从真实的无云图像中生成仿真的薄云图像。该方法将无云图像和薄云信息分离开来，避免了生成的无云图像中必须包含一些薄云噪声的缺点，从而能够获得良好的薄云去除效果。

发明内容：

本发明的目的在于提供一种弱监督的可见光遥感图像薄云去除方法，该方法将循环一致生成对抗网络和薄云成像模型相结合，能够使用非配对的遥感图像来对网络进行训练，从而实现可见光遥感图像的薄云去除，提升图像质量。首先使用3个生成器来从薄云图像中生成无云图像，薄云厚度图和厚度系数，并通过一个判别器来鉴别真实的无云图像和生成的无云图像，然后再采用一个薄云成像模型来重建原始的薄云图像，从而得到循环一致损失来对网络进行训练。另外，我们还使用薄云成像模型来生成仿真的薄云-无云图像对，然后将生成的图像对作为监督数据来训练3个生成器，以进一步提升网络的薄云去除能力。

本发明具体技术方案包括以下步骤：

步骤1：数据集建立

本发明提出的方法需要用到大量的图像数据来训练网络，包括薄云图像数据集和无云图像数据集。我们在各种具有不同地物的可见光遥感图像中，通过人工筛选出薄云区域和无云区域，然后在选出的区域中裁剪K×K大小的图像块，加入到对应的薄云图像数据集和无云图像数据集中。由此可建立非配对的薄云-无云图像数据集来对网络进行训练。

步骤2：薄云成像模型建立

卫星传感器接收到的信号可以用一个加性物理模型来表示：

I＝J+k*M   (1)