[發明專利]一種基于圖像轉換制作去云霧訓練集的方法及裝置

有效

• 申請號: 202010516662.X
• 申請日: 2020-06-09
• 公開（公告）號: CN111667431B
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 錢國超;周興梅;彭慶軍;周仿榮;趙加能;馬御棠;彭兆裕
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京弘權知識產權代理有限公司 11363
• 代理人: 逯長明;許偉群

本申請涉及人工智能技術領域，尤其涉及一種基于圖像轉換制作去云霧訓練集的方法及裝置。所述方法包括：對多景遙感影像進行預處理，得到有云數據集和無云數據集；基于所述有云數據集、無云數據集對CycleGAN模型進行訓練，得到云霧生成模型；將新下載的原始無云影像輸入所述云霧生成模型計算得到模擬云霧影像，所述模擬云霧影像、原始無云影像構成去云霧訓練集。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種基于圖像轉換制作去云霧訓練集的方法及裝置。

背景技術

云霧是影響衛星觀測的主要障礙，對于去處云霧的研究在遙感領域一直備受重視，但基于深度學習的去云霧研究卻發展緩慢。

深度學習是學習樣本數據的內在規律和表示層次，從而幫助對于諸如文字，圖像和聲音等數據進行解釋。好的樣本數據是獲得一個優秀的深度學習模型的基礎。所謂好的樣本數據集不僅是要有充足的數據量，并且數據類型應該及其適用于對應的研究目標。

在基于深度學習的去云研究領域，數據集的缺乏一直是限制領域發展的一大原因。目前并沒有一款針對于圖像去云的通用數據集。而在目前的基于深度學習的去云研究領域，研究者大都是采用物理模型來對影像生成模擬的云霧，這使得生成的云霧本身就具有規律性(即存在物理模型的先驗)。所以，設計一種更加隨機但具有真實性的云霧生成方法，從而制作一個去云霧訓練數據集具有重要研究意義。

發明內容

本申請提供了一種基于圖像轉換制作去云霧訓練集的方法及裝置，通過選取地勢較低，長年多云的某地區為主要目標區域，下載此區域衛星遙感影像，分別選取其中合適的有云霧的區域和無云霧的區域建立有云數據集和無云數據集，利用CycleGAN模型學習兩類數據之間的轉化關系，得到將無云影像轉化為有云影像的云霧生成模型，可用于制作去云霧訓練集。

本申請的實施例是這樣實現的：

本申請實施例第一方面提供一種基于圖像轉換制作去云霧訓練集的方法，所述方法包括：

對原始圖像進行預處理，得到有云數據集和無云數據集；

基于所述有云數據集、無云數據集對CycleGAN模型進行訓練，得到云霧生成模型；

將新下載的原始無云影像輸入所述云霧生成模型計算得到模擬云霧影像，所述模擬云霧影像、原始無云影像構成去云霧訓練集。

本申請提供的技術方案包括以下有益效果：通過選取已有衛星遙感影像，建立有云數據集和無云數據集，訓練CycleGAN模型得到云霧生成模型，可以實現有云霧圖像和無云霧圖像的轉化，得到去云霧訓練集，具有實現簡單，研究意義大的特點。

附圖說明

為了更清楚地說明本申請的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領域普通技術人員而言，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1示出了本申請實施例一種基于圖像轉換制作去云霧訓練集系統100的示意圖；

圖2示出了本申請實施例一種示例性計算設備200的示意圖；

圖3示出了本申請實施例一種基于圖像轉換制作去云霧訓練集方法的流程示意圖；

圖4示出了本申請實施例有云數據集和無云數據集獲取執行步驟示意圖；

圖5示出了本申請實施例云霧候選區、無云候選區示意圖；

圖6示出了本申請實施例有云影像、無云影像示意圖；

圖7示出了本申請實施例CycleGAN模型訓練步驟示意圖；

圖8示出了本申請實施例CycleGAN模型訓練結果示意圖；