[发明专利]一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法

说明书

本发明提供了一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法，其步骤：根据像素分布百分位数，去除光学遥感多云海面影像的背景，提取云层；计算补偿系数，补偿退化云层；将云层在大气光辅助下，融合到无云陆地影像，得到多云陆地影像；饱和修正多云陆地影像；基于前述的云图运算，构建以无云陆地影像和薄云覆盖陆地影像组成的同场景影像对为样本单元的数据集；设计无云影像生成器和真伪无云影像判别器，构成多尺度生成对抗网络；用构建的数据集训练多尺度生成对抗网络，通过训练好的无云影像生成器实现光学遥感影像薄云去除。本发明突破了无云多云同场景数据稀缺的瓶颈，形成深度学习去云有效技术方案。

技术领域

本发明涉及光学卫星影像处理领域，具体涉及一种光学遥感影像薄云去除方法。

背景技术

光学遥感影像在地球观测中一直发挥着重要作用。它们捕捉地球物体的反射光，并以类似于人类视觉的形式展现。因此，光学遥感成像技术可以被认为是空中的人眼视觉系统。由于人类的视线很容易被云雾遮挡，光学遥感影像，特别是光学卫星影像，通常或多或少会受到云的影响。据估计，由于独特的季节性循环，平均全球有55％的陆地表面被云覆盖，这严重影响了我们通过光学卫星影像对地球的连续观测。

目前，深度学习能够取得遥感影像去云较好的效果。但是，目前深度学习方法都是由数据驱动，训练深度学习模型的无云和多云陆地影像的质量是影响最终去云结果的一个关键因素。虽然训练数据需求很大，但这样的成对影像难以获取，这使得深度学习薄云去除方法总是受到训练数据稀缺的困扰。

对于某场景的无云陆地影像，几乎不可能精确地获得同一场景真实的多云陆地影像。一方面，目前人为模拟的云层与真实的云层相差较大，将其融合到无云陆地影像中很难满足某些实际应用中的要求。另一方面，同一景象不可能同时是无云和多云的。当一幅无云陆地影像中的场景在另一个时间出现多云陆地影像时，该多云陆地影像(以及影像中的地表细节)可能会有细微的变化，与原无云陆地影像不完全相同。因此，如何为同一场景构建真实、精确的无云和多云陆地成对影像是光学遥感领域的一个难题。

在基于深度学习的去云研究中，如何构建高质量的无云和多云陆地影像对，以及基于此类数据利用神经网络得到高质量的去云陆地影像，是一个极具挑战性的研究任务。

发明内容

为了解决上述问题，本发明公开了一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法，解决光学遥感影像被薄云遮挡的问题。

本发明的目的是这样实现的：

一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法，包括以下步骤：

(1)根据像素分布百分位数，去除光学遥感多云海面影像的背景，提取云层；

(2)计算补偿系数，补偿退化云层；

(3)将云层在大气光辅助下，融合到无云陆地影像，得到多云陆地影像；

(4)饱和修正多云陆地影像；

(5)基于(1)-(4)描述的云图运算，构建以无云陆地影像和薄云覆盖陆地影像组成的同场景影像对为样本单元的数据集；

(6)设计无云影像生成器和真伪无云影像判别器，构成多尺度生成对抗网络；

(7)用(5)构建的数据集训练多尺度生成对抗网络，通过训练好的无云影像生成器实现光学遥感影像薄云去除。

其中，(1)和(2)为云自减算子的执行过程；(3)和(4)为云景加算子的执行过程；云自减算子和云景加算子构成云图运算。

上述一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法，所述的步骤(1)具体为：