[發明專利]一種基于生成對抗網絡的遙感圖像薄云去除方法

在審

• 申請號: 201810174430.3
• 申請日: 2018-03-02
• 公開（公告）號: CN108460739A
• 公開（公告）日: 2018-08-28
• 發明（設計）人: 謝鳳英;張蕊;姜志國
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于生成對抗網絡的遙感圖像薄云去除方法，其特征在于，步驟如下：

步驟1：建立薄云去除系統總體模型

針對Landsat-8OLI陸地成像儀所采集的遙感圖像進行薄云去除；Landsat-8為美國在2013年2月11日發射的衛星，攜帶有OLI陸地成像儀和TIRS熱紅外傳感器，Landsat-8的OLI陸地成像儀包括9個波段，其中第4、3、2波段對應了紅、綠、藍三個可見光波段；選用第4、3、2波段得到真彩色合成圖像，進行薄云去除；

薄云成像失真模型描述為：

s(i,j)＝aLr(i,j)t(i,j)+L(1-t(i,j)) (1)

其中，s(i,j)為傳感器在點(i,j)處接收到的信號，L是大氣光輻射，r(i,j)是地面真實反射，即所期望的無云圖像，t(i,j)是透射圖，a是大氣光衰減系數，介于0～1范圍內；

根據該成像失真模型，當透射圖已知時，建立無云清晰圖像和有云圖像之間的線性關系；令y表示作為條件輸入的有云圖像，z代表引入的噪聲，表示恢復的無云圖像，g代表生成模型，即薄云去除操作，那么薄云去除系統可以用下面的簡化數學模型來表示：

根據公式(2)建立的薄云去除系統模型，只要通過設計的網絡辨識得到參數化的生成模型g，則通過函數關系便從輸入的有云圖像預測出無云清晰圖像，以實現對遙感圖像的薄云去除；

步驟2：網絡模型設計

采用一組生成對抗神經網絡對薄云去除系統模型進行辨識；辨識系統所用網絡由兩個子網絡組成：生成網絡G和判別網絡D；生成網絡G利用輸入信息預測無云圖像，即接收有云圖像和噪聲，以準則函數驅動訓練，使得生成的無云圖像能夠讓判別網絡D判別為真；判別網絡D的作用是對生成的無云圖像和真實的無云圖像進行判別，輔助生成網絡G的訓練；兩個子網絡以二元極大極小博弈損失進行抗衡，在此過程中，生成網絡G學習真實數據的條件分布；通過兩個子網絡的對抗學習，獲得辨識參數；辨識完成后，生成網絡G即作為與薄云去除系統生成模型g具有相同輸入輸出特性的替代模型；在對遙感圖像進行薄云去除操作時，生成網絡G進行一次前向傳播，通過辨識出的參數即計算恢復出無云圖像，不需再次通過判別網絡D；

步驟3：辨識準則函數構建

為使生成網絡G與薄云去除系統生成模型g具有相同的輸入輸出特性，還需要兩者的誤差作為網絡的訓練監督信號；這個信號由判別網絡D的輸出和監督樣本對給出；相應地，準則函數也由兩部分構成；

步驟4：薄云去除系統辨識

4.1訓練樣本獲取

使用生成對抗式神經網絡模型進行薄云去除系統生成模型g的辨識，是一個監督學習的過程，需要帶標簽的數據對生成網絡和判別網絡進行訓練；然而遙感衛星對同一地點的回訪具有周期間隔，在此時間段內大氣輻射、地貌特征會發生很大變化，而長時間定點拍攝的花費又十分高昂，所以理想的成對有云圖像及其無云真值圖很難獲得；因此，基于監督學習的薄云去除方法通常采用仿真的手段獲得足夠多的訓練樣本；同樣，采用在清晰圖像上生成仿真薄云的方法，以清晰圖像作為無云真值圖，獲得帶標簽數據；

4.2辨識系統網絡訓練

使用梯度下降思想來對辨識系統進行參數求解，具體優化采用Adam優化算法；使用仿真得到的成對的樣本作為辨識系統的輸入和理想輸出，對生成網絡G和判別網絡D進行迭代訓練，并不斷更新兩個子網絡的參數，當準則函數損失趨于穩定時，兩個網絡訓練完畢；

得到的生成網絡G即為與公式(2)所述的遙感圖像薄云去除系統生成模型g具有相同輸入輸出特性的替代模型，辨識系統模型訓練完畢也即確定了生成網絡G的參數，至此，薄云去除系統辨識完成；

步驟5：遙感圖像薄云去除

步驟4的辨識訓練過程完成后，網絡模型即具有了與實際薄云去除系統相同的輸入輸出特性；對于一幅帶有薄云的遙感圖像，將其輸入生成網絡G進行一次前向傳播，利用訓練好的參數進行運算，即輸出被恢復的無云圖像。