[發明專利]基于深度學習的高分影像陰影區域恢復重建方法

有效

• 申請號: 202110372328.6
• 申請日: 2021-04-07
• 公開（公告）號: CN113178010B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 柯劍;曹威;郭明強;張敏;朱建軍;王波;彭淵;李兵;鐘靜;趙保睿;但唐明
• 申請（專利權）人: 湖北地信科技集團股份有限公司
• 主分類號: G06T17/20
• 分類號: G06T17/20;G06T15/50;G06T15/80;G06N3/04;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 馬帥

1.基于深度學習的高分影像陰影區域恢復重建方法，其特征在于：

S101：獲取遙感影像樣本，并對遙感影像進行預處理，得到訓練集；

S102：構建遙感圖像陰影重建網絡模型；所述網絡模型包括特征提取網絡和陰影區域重建生成網絡；

S103：將訓練集輸入值所述遙感圖像陰影重建網絡模型，分為兩階段依次訓練所述特征提取網絡和陰影區域重建生成網絡，得到訓練后的遙感影像重建網絡模型；

S104：利用所述訓練后的遙感影像重建網絡模型完成對其它遙感影像圖片的陰影區域恢復重建；

步驟S101中所述遙感影像樣本包括影像圖片I及影像圖片I對應的二值化陰影-非陰影圖片S；

第一階段訓練的總目標損失函數為：

Loss₁＝Loss_L+Loss_f+Loss_D

其中，Loss_f＝L1Loss(F(I)，F(I+SN))，F(·)表示圖像內容提取網絡NETf內容提取特征函數，L1Loss表示矩陣的平均絕對誤差；Loss_f目標損失函數約束圖像內容提取網絡NETf忽略陰影區域的影響，提取圖像的本質內容；

Loss_D＝sum(-log(S·S_g[0]+NEG(S)·S_g[1]+1e^-8))，S表示圖像陰影-非陰影區分0、1的矩陣；·表示矩陣點積運算；NEG(·)表示0-1矩陣元素的取反操作；log(·)表示矩陣元素對數函數操作；sum(·)表示矩陣元素求和；Loss_D目標損失函數提取圖像陰影相關信息特征表達；

Loss_L＝L1Loss(S·I，S·Ig)，其中Ig為陰影區域重建生成網絡的輸出特征通過卷積核3x3、輸出通道3、激勵函數tanh輸出rgb歸一化后的圖像數據；Loss_L目標損失函數約束生成圖像的非陰影區域還原成原始圖像的區域像素；

第二階段的總目標損失函數為：

Loss₂＝Loss_S+Loss_fg+Lo ss_L

其中，Loss_S＝W₀·Loss_sg+W₁·Loss_si；其中，W₀、W₁為權重參數，Loss_sg表示生成圖像陰影邊緣位置亮度值評估與相同位置生成圖像的像素亮度值平方差和；Loss_si表示原始圖像陰影邊緣位置亮度值評估與相同位置生成圖像的像素亮度值平方差和；Loss_S目標損失函數用于優化陰影區域重建生成網絡生成圖像時，使陰影區域與非陰影區域亮度相近且消除陰影區域；

Loss_fg＝L1Loss(F(I)，F(I_g))，其中I_g表示陰影區域重建生成網絡的生成圖像，Loss_fg損失函數使得生成的圖像I_g除陰影特征之外的內容特征與輸入原圖保持內容一致。

2.如權利要求1所述的基于深度學習的高分影像陰影區域恢復重建方法，其特征在于：步驟S101中對遙感影像預處理，具體為：利用二值化陰影-非陰影圖片S對影像圖片I的光照區域添加人工合成的陰影噪聲，得到合成圖像(I+SN)；所述訓練集包括影像圖片I和合成圖像(I+SN)。

3.如權利要求1所述的基于深度學習的高分影像陰影區域恢復重建方法，其特征在于：所述特征提取網絡結構包括：前端卷積網絡MLP1、圖像內容提取網絡NETf和陰影亮度分布提取網絡NETs。

4.如權利要求1所述的基于深度學習的高分影像陰影區域恢復重建方法，其特征在于：所述陰影區域重建生成網絡包括特征融合網絡、卷積網絡MLP2、卷積網絡MLP3和輸出特征網絡。