[发明专利]光学遥感影像的定量云自动添加方法及装置

说明书

本发明涉及一种光学遥感影像的定量云自动添加方法及装置，所述方法包括：对真实无云光学遥感影像和真实有云光学遥感影像进行预处理；构建基于循环生成对抗网络的深度神经迁移网络；利用预处理后的真实无云光学遥感影像和真实有云光学遥感影像对所述基于循环生成对抗网络的深度神经迁移网络进行训练学习，实现云量的定量添加。通过实施本发明的上述方案，可以实现自动生成包含不同比例云的高质量典型目标的光学遥感影像训练样本。

技术领域

本发明涉及计算机视觉与遥感影像处理技术领域，尤其涉及一种光学遥感影像的定量云自动添加方法及装置。

背景技术

基于深度学习的遥感图像目标检测识别是当前卫星遥感应用领域的研究热点。在光学遥感图像目标检测识别任务中，受样本不均衡和样本缺失的影响，现有目标检测识别模型在云覆盖区应用精度远远低于无云覆盖区，不能满足实际应用的需求。因此，定量化和自动化地生成高质量云覆盖区目标样本，成为制约光学遥感图像目标检测识别模型应用效能的关键。

遥感影像在成像过程中，会受到大气层中分子、气溶胶和云反射的影响，其中云的影响尤为明显，会导致典型目标(如飞机、船舶)被部分乃至完全遮挡，使得人工标注训练样本时，无法准确识别出目标的位置。因而当前研究多选择无云影像进行样本标注。但是统计标明，超过60％的遥感影像中都包含云，且实际应用场景中(如山地环境、阴雨天气等)，存在大量云遮挡条件(仅考虑薄云和部分遮挡的情况)典型目标检测的需求，而经无云样本训练出的深度学习网络无法准确识别出云遮挡条件下的典型目标。为解决这一问题，提高云遮挡条件下深度学习网络对于典型目标的检测能力，就需要制作包含不同比例云的大量典型目标样本。人工标注样本的工作量大且成本高，利用智能化影像处理技术自动生成样本数据成为新的技术途径。

生成对抗网络(GAN)是一种主要用于实现图像、音乐或文本等生成的深度神经网络模型，通过生成器(Generator)与判别器(Discriminator)不断对抗进行训练，最终使得判别器难以分辨生成器生成的数据和真实的数据，从而达到生成所需图像、音乐或文本的目的。Cycle-GAN(Cycle Generative Adversarial Network，循环生成对抗网络)和CGAN(Condition Adversarial Network，条件生成对抗网络)是针对GAN的两种功能改进，可分别用于实现生成图像保留原始输入图像的内容以及通过在对抗中添加约束条件控制生成特定的输出图像。

发明内容

为解决上述现有技术存在的技术问题，本发明的目的在于提供一种光学遥感影像的定量云自动添加方法及装置，可以实现自动生成包含不同比例云的高质量典型目标的光学遥感影像训练样本。

为实现上述发明目的，本发明的技术方案是：

本发明实施例第一方面提供一种光学遥感影像的定量云自动添加方法，包括：

对真实无云光学遥感影像和真实有云光学遥感影像进行预处理；

构建基于循环生成对抗网络的深度神经迁移网络；

利用预处理后的真实无云光学遥感影像和真实有云光学遥感影像对所述基于循环生成对抗网络的深度神经迁移网络进行训练学习，实现云量的定量添加。

根据本发明实施例的第一方面，所述对真实无云光学遥感影像和真实有云光学遥感影像进行预处理，包括：

对待添加云量的真实无云光学遥感影像进行辐射和几何校正，将其中的目标单独裁剪，并将裁剪后的目标图像缩放至固定尺寸；

对真实有云光学遥感影像进行辐射和几何校正，将其中有云覆盖的区域单独裁剪，并将裁剪后的图像缩放至与所述目标图像相同的尺寸。

根据本发明实施例的第一方面，所述构建的基于循环生成对抗网络的深度神经迁移网络，包括：

正向生成器，用于实现光学遥感影像中云量的添加；