[发明专利]一种基于全波段特征融合的遥感影像薄云去除方法及系统

说明书

本发明公开了一种基于全波段特征融合的遥感影像薄云去除方法及系统，所述方法包括：使用训练完成的薄云去除网络对待处理的多光谱遥感图像进行多光谱影响薄云去除；所述训练完成的薄云去除网络，通过以下步骤得到：获取同一地区有云和无云情况下的多光谱遥感图像，得到训练集和测试集；采样得到图像不同分辨率光谱波段的空间特征和光谱特征；特征融合分别得到有云情况下和无云情况下图像的特征图；计算多路监督损失，优化预设的薄云去除网络的网络参数；利用训练集和测试集对优化后的薄云去除网络进行训练和测试，得到训练完成的薄云去除网络。本发明薄云去除精度高，误差小，与现有技术相比去除训练大大提高，在多光谱遥感影像上具有广阔的应用空间。

技术领域

本发明涉及一种基于全波段特征融合的遥感影像薄云去除方法及系统，属于遥感图像薄云去除技术领域。

背景技术

随着越来越多的遥感卫星发射升空，遥感卫星获取的海量数据为植被健康监测、灾害监测和土地覆盖分类等提供了丰富的信息。然而，薄云一直是影响遥感影像质量的重要因素，因此薄云去除是遥感影像预处理必不可少的一步。当前卫星传感器的探测光谱波段越来越多，一般在可见光近红外波段具备高空间分辨率，在短波红外波段具备较低分辨率。

虽然目前深度学习的方法检测精度大大高于传统方法，然而基于深度学习的方法对于包含薄云的多光谱影像数据的处理一般两种方式：第一，用高分辨率的波段进行薄云去除；第二将不同分辨率的波段利用人工设计的采样函数重采样到同一空间分辨率，然后进行训练。第一种方法不能够充分利用多光谱影像的光谱信息；第二种方法中所述人工设计的重采样函数主观性强，采样后图像纹理信息会被破坏。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于全波段特征融合的遥感影像薄云去除方法及系统，能够提升薄云去除能力。为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于全波段特征融合的遥感影像薄云去除方法，包括：

获取待处理的多光谱遥感图像；

使用训练完成的薄云去除网络对待处理的多光谱遥感图像进行多光谱影响薄云去除，输出去除薄云的多光谱遥感图像；

其中，所述训练完成的薄云去除网络，通过以下步骤得到：

获取同一地区有云和无云情况下的多光谱遥感图像，对获取到的图像进行预处理，得到训练集和测试集；

利用预先构建的卷积神经网络对获取到的图像进行采样，得到图像不同分辨率光谱波段的空间特征和光谱特征；

利用预先构建的双路特征融合模块将得到的空间特征和光谱特征进行融合，分别得到有云情况下图像特征图和无云情况下图像的特征图；所述预先构建的双路特征融合模块还包括全局空洞残差模块，所述全局空洞残差模块用于利用受薄云影响小的波段补全输入特征中的受薄云影响大的波段的空间特征和光谱特征；

基于有云情况下图像特征图和无云情况下图像的特征图，计算多路监督损失，优化预设的薄云去除网络的网络参数；

利用训练集和测试集对优化后的薄云去除网络进行训练和测试，得到训练完成的薄云去除网络。

结合第一方面，进一步地，所述对获取到的图像进行预处理包括：

将获取到的图像切分为小块；

对小块进行人工目视解译，将有云的图像块放入有云文件夹，无云的图像块放入无云文件夹；

将有云文件夹中图像块划分为有云训练集和有云测试集，将无云文件夹中图像块划分为无云训练集和无云测试集；所述有云训练集和无云训练集构成所述训练集，所述有云测试集和无云测试集构成所述测试集。

结合第一方面，进一步地，所述预先构建的卷积神经网络包括高、中、低分辨率分支；