[發明專利]一種基于邊緣銳化循環生成對抗網絡的遙感影像去霧方法

有效

• 申請號: 201910313286.1
• 申請日: 2019-04-18
• 公開（公告）號: CN110136075B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 徐永洋;胡安娜;謝忠;馮雅興;曹豪豪
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06T7/11
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孫麗麗

1.一種基于邊緣銳化循環生成對抗網絡的遙感影像去霧方法，其特征在于，包括以下步驟：

S1、對獲取的遙感圖像數據進行融合、圖像切割和定向處理操作；

S2、在經步驟S1處理后的遙感圖像數據中，處理得到原始有霧遙感影像數據集X、原始無霧遙感影像數據集Y，并利用原始無霧遙感影像數據集Y經過高斯模糊操作生成無霧模糊遙感影像數據集Y_s；

S3、利用遙感影像地物信息分類數據集來訓練感知損失函數計算模型-VGG16網絡模型；

S4、利用步驟S2處理得到的原始有霧、無霧遙感影像數據集和無霧模糊遙感數據集，以及步驟S3訓練的VGG16網絡模型，以迭代的方式來訓練銳化循環生成對抗網絡；

S5、利用步驟S4訓練得到的邊緣銳化循環生成對抗網絡，恢復有霧遙感影像數據；

步驟S4中所述銳化循環生成對抗網絡的訓練步驟為：

S41、將所述原始有霧遙感影像數據集X、原始無霧遙感影像數據集Y分別輸入去霧生成網絡G和加霧生成網絡F中，得到處理后的無霧遙感影像數據集G(x)和處理后的有霧遙感影像數據集F(y)；

S42、一方面將所述處理后的無霧遙感影像數據集G(x)、所述原始無霧遙感影像數據集Y，以及所述原始無霧模糊遙感影像數據集Y_s輸入到無霧判別網絡D_y；另一方面將所述原始有霧遙感影像數據集X、處理后的有霧遙感影像數據集F(y)，以及所述原始無霧模糊遙感影像數據集Y_s輸入到有霧判別網絡D_x中；最終分別得到其為真實無霧銳化遙感數據的概率值和真實有霧模糊遙感數據的概率值；

S43、根據步驟S42得到的真實無霧銳化遙感數據的概率值和真實有霧遙感數據的概率值，分別計算去霧生成網絡G的對抗損失值和無霧判別網絡D_y的對抗損失值以及加霧生成網絡F的對抗損失值和有霧判別網絡D_x的對抗損失值

S44、針對步驟S41得到的所述處理后的無霧遙感影像數據集G(x)和所述處理后的有霧遙感影像數據集F(y)，利用所述加霧生成網絡F和去霧生成網絡G分別生成還原后的有霧遙感影像數據集F(G(x))和還原后的無霧遙感影像數據集G(F(Y))，計算所述還原后的有霧遙感影像數據集F(G(x))和所述還原后的無霧遙感影像數據集G(F(Y))，在像素空間上與所述原始有霧遙感影像數據集X和所述原始無霧遙感影像數據集Y的誤差值L_cyc(G,F,X,Y)；

S45、根據所述還原后的有霧遙感影像數據集F(G(x))和所述還原后的無霧遙感影像數據集G(F(Y))，計算上述兩個還原后的遙感影像數據集與所述原始有霧遙感影像數據集X和所述原始無霧遙感影像數據集Y，在特征空間上的誤差值L_perceptual(G,F)；

S46、根據步驟S43-S45得到的對抗損失值以及在像素空間和特征空間上的誤差值L_cyc(G,F,X,Y)、L_perceptual(G,F)，計算去霧生成網絡G和無霧判別網絡D_y的誤差損失值；

根據步驟S43-S45得到的損失值以及在像素空間和特征空間上的誤差值L_cyc(G,F,X,Y)、L_perceptual(G,F)，計算加霧生成網絡F和有霧判別網絡D_x的誤差損失值；

S47、當步驟S45、步驟S46和步驟S47中所求的誤差值均收斂時，停止網絡訓練，將當前收斂情況下的去霧生成網絡G作為銳化循環生成對抗網絡；其他情況下，返回步驟S41，重新訓練網絡。

2.根據權利要求1所述的基于邊緣銳化循環生成對抗網絡的遙感影像去霧方法，其特征在于，步驟S3中，首先，對無霧遙感影像地物信息進行處理，得到地物信息分類數據集；其次，使用數據集預訓練得到VGG16預訓練網絡模型；最后，利用所述地物信息分類數據集對VGG16預訓練網絡模型進行再訓練，得到最終的VGG16網絡模型。