[发明专利]一种基于卷积神经网络的多光谱遥感图像去雾方法

摘要

本发明涉及一种基于卷积神经网络的多光谱遥感图像去雾方法，其特征在于：该方法包括如下步骤：步骤1：多光谱图像去雾波段选择；步骤2：建立去雾模型；步骤3：设计卷积神经网络；步骤4：训练卷积神经网络；步骤5：多光谱遥感图像去雾。本发明通过一个卷积神经网络直接学习有雾图像到清晰图像之间的映射关系，可实现端到端的去雾。卷积网络采用级联的残差结构，可对去雾模型进行有参考的学习，并实现逐步去雾。该方法不仅易于学习和训练，还可以通过加深网络层数实现更高精度的去雾结果。

主权项

1.一种基于卷积神经网络的多光谱遥感图像去雾方法，其特征在于：该方法包括如下步骤：/n步骤1：多光谱图像去雾波段选择/n以下针对Landset8 OLI采集的多光谱图像进行去雾，Landset8 OLI图像有9个波段，其中波段6、7、9三个波段的波长是大于1的，可以穿透水粒子，因此这三个波段不受雾的影响；而剩下的6个波段即波段1至5、以及波段8分别是海岸、可见光、近红外以及全色波段，它们的波长是小于1的，会受到雾的影响，因此针对这6个受雾影响的波段进行去雾；/n步骤2：建立去雾模型/n雾天成像模型可描述为：/nI(x)＝J(x)t(x)+A(1-t(x)) (1)/n其中，I(x)为有雾图像，J(x)为对应的清晰图像，A是全局大气光，t(x)为透射图，x表示像素；/n根据雾天成像模型，去雾图像和原始带雾图像之间为线性关系，令h代表有雾图像，g表示被恢复的清晰图像，函数F代表有雾图像与对应清晰图像之间的映射关系，则去雾问题可以建模为以下形式，即去雾模型：/ng＝F(h) (2)/n根据公式(1)，一旦获得映射关系F，则给定一个有雾图像h，通过函数关系映射便可得到清晰图像，从而实现图像去雾；/n采用一个残差卷积网络来拟合有雾图像到清晰图像之间的映射关系F(h)；具有残差结构的卷积神经网络，其输入不仅传递给卷积层，并且在网络末端与卷积层的输出直接相加，形成最终的网络输出；残差网络中卷积层学习到的模型可描述为：/nH(h)＝F(h)-h (3)/n由于雾的浓度和分布是多样的，使用具有一个残差结构的网络模型进行雾成分的学习是很困难的，因此，我们把去雾模型(2)进一步分解为以下多个子任务，即多步去雾模型：/ng