一种生成对抗网络的遥感图像去云方法

遥感图像在获取过程中会受到气候等因素的影响,导致得到的图像包含云层信息,在很大程度上影响了遥感图像的后续使用。基于深度学习的图像去云方法可以较好地移除云层,但已有方法存在训练时间长,去云效果不充分和颜色失真等问题。针对这些问题,提出了一种端到端生成,对抗网络模型对遥感图像去云,可以从含有云层的遥感图像中恢复出清晰的原始图像。首先,使用U-Net网络作为生成器的主要结构,并在编码模块和解码模块中间加入连续记忆残差模块来挖掘输入信息的深度特征;然后,使用卷积神经网络作为判别器来判别输入数据的真伪;最后,联合对抗性损失函数和L1损失函数,通过计算网络模型的输出与真实数据之间的差距,来衡量网络模型预测的优劣。实验结果表明,该方法在定量指标(峰值信噪比和结构相似性)和运行时间上均优于现有的去云方法,并且在参数量一致的条件下,计算量GFLOPs最低,具有更低的算法复杂度。此外,该方法得到的遥感图像细节信息更丰富,颜色几乎没有失真,具有更好的主观视觉效果。

基于稠密残差网络的多序列卫星图像去云

遥感影像中最常见的问题是云层污染,它会导致图像信息缺失,降低遥感数据的可用性。针对该问题,提出了一种基于稠密残差网络的多序列卫星图像去云算法。首先,该网络使用多序列的有云卫星图像作为输入,能为网络提供更多的时序特征信息,提升去云效果;其次,在网络中段使用稠密残差层,以保证卷积层之间最大程度地传递和使用特征信息,让生成的修复图像整体结构合理、边缘细节更加清晰;最后,使用像素上采样来增强空间信息的利用,提升修复效果。该方法在欧洲“哨兵-2”遥感卫星图像数据集上进行验证,峰值信噪比和结构相似度指标为27.59和0.8540,两项指标均超过了该数据集的原处理方法STGAN,提升了遥感图像去云的效果。

基于生成对抗网络的遥感图像去云算法

计算机视觉中的许多问题可以抽象为将输入图像“转换”成对应的输出图像,图像转换算法是许多计算机视觉问题的通用解决方案,例如语义分割、风格转换等。本文将以遥感图像去云作为图像转换的特例,研究基于生成对抗网络的图像转换算法。提出基于残差模块的生成模型可以对单幅遥感图像进行厚云和薄云的去除;同时提出的多尺度判别网络以及VGG损失函数,有效地解决了复杂场景的云雾遮挡问题。实验结果表明,本文提出的图像转换算法在遥感图像薄云数据集上峰值信噪比提升了1.64 dB,在厚云数据集上峰值信噪比提升了1.92 dB,同时生成的无云遥感图像和真实的无云图像具有较高的结构相似性。

采用改进RPCA的遥感影像去云算法

为解决遥感影像中常见的复杂稀疏云区的联合去云问题,提出一种采用改进的鲁棒主成分分析(RPCA)的遥感影像去云算法。根据遥感云层影像的自身特性,构造RPCA算法模型,采取一种新的基于分式函数的L0范数优化方式,引入加权核范数最小化算法(WNNM)对奇异值阈值进行自适应调节,提高云区矩阵的稀疏度和地貌矩阵的低秩性。实验结果表明,采用改进RPCA的遥感影像去云算法,能够去除复杂稀疏云区的云层遮挡,获得清晰度更高的无云遥感影像,在主观视觉和客观指标上均优于传统算法。

基于改进NSST-PCNN的光学与SAR图像融合去云方法

由于光学遥感穿透性差,光学图像常受到云层等天气因素干扰而影响其遥感应用。现有基于多时相或单幅图像修复的方法受地物变化及缺乏先验信息的影响,难以恢复云下真实地物信息。利用SAR图像不受云层、光照等因素干扰的特点,提出一种与SAR图像融合的光学图像去云方法。首先利用分形网络演化算法(FNEA)结合形状及光谱特性对云区进行检测,接着采用非下采样剪切波变换(NSST)对光学与SAR图像进行分解,最后对分解后系数结合云区检测结果进行融合,其中低频信息基于改进加权能量和进行融合,高频则结合方向信息熵及脉冲耦合神经网络(PCNN)模型进行融合。以高分一号、二号光学和高分三号SAR图像数据进行实验。结果表明,该方法相较其他5种算法在云区与参考图像有更高的相似性,可以更好地保持纹理及细节特征,在有效解决云层遮挡问题的同时实现图像增强,有利于后续图像分类、目标识别以及图像判别等遥感应用。