[發(fā)明專利]一種多尺度多時(shí)相遙感影像去云的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111505249.4
• 申請(qǐng)日: 2021-12-10
• 公開（公告）號(hào): CN114140701A
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 陳雙;歐陽(yáng)雯思
• 申請(qǐng)（專利權(quán)）人: 廣西師范大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V10/40;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標(biāo)事務(wù)所有限責(zé)任公司 45112
• 代理人: 劉梅芳

本發(fā)明公開了一種多尺度多時(shí)相遙感影像去云的方法，包括如下步驟：1）訓(xùn)練數(shù)據(jù)處理；2）數(shù)據(jù)擴(kuò)充；3）測(cè)試數(shù)據(jù)處理；4）搭建多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型；5）模型參數(shù)設(shè)置；6）訓(xùn)練多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型；7）遙感影像云去除。這種方法能有效利用互補(bǔ)信息，對(duì)多時(shí)相含云序列的時(shí)相個(gè)數(shù)沒有要求，還能抑制無用特征，降低了計(jì)算復(fù)雜性。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感圖像預(yù)處理技術(shù)領(lǐng)域，具體涉及一種多尺度多時(shí)相遙感影像去云的方法。

背景技術(shù)

光學(xué)遙感圖像不可避免受到云及其陰影污染的影響，使得影像信息缺失，大大降低遙感圖像應(yīng)用于多個(gè)領(lǐng)域的可用性，對(duì)比于花費(fèi)巨大的人力和財(cái)力投入遙感衛(wèi)星而言，在遙感圖像預(yù)處理階段進(jìn)行云去除來重建缺失信息，數(shù)據(jù)成本更低，可行性更高。

近些年來人們對(duì)遙感圖像去云方法進(jìn)行了大量的研究，云去除本質(zhì)上是缺失信息重建的過程。基于深度學(xué)習(xí)的模型這兩年應(yīng)用尤為廣泛，并且實(shí)現(xiàn)了最先進(jìn)的重建結(jié)果。然而，大多數(shù)現(xiàn)有方法只能利用無云圖像，而不是多時(shí)相有云序列圖像，無法利用到更多的互補(bǔ)信息。因此發(fā)展一種多尺度多時(shí)相的遙感影像去云方法。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，而提供一種多尺度多時(shí)相遙感影像去云的方法。這種方法能有效利用互補(bǔ)信息，對(duì)多時(shí)相含云序列的時(shí)相個(gè)數(shù)沒有要求，還能抑制無用特征，降低了計(jì)算復(fù)雜性。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種多尺度多時(shí)相遙感影像去云的方法，包括如下步驟：

1)訓(xùn)練數(shù)據(jù)處理：獲取多組同一區(qū)域的不同衛(wèi)星的多時(shí)相遙感影像數(shù)據(jù)來構(gòu)成含云序列，對(duì)多時(shí)相含云序列做預(yù)處理，生成帶標(biāo)簽的訓(xùn)練樣本；

2)數(shù)據(jù)擴(kuò)充：由于訓(xùn)練樣本數(shù)過少，為了防止引起過擬合，對(duì)訓(xùn)練樣本進(jìn)行擴(kuò)充，即對(duì)訓(xùn)練樣本進(jìn)行數(shù)據(jù)增強(qiáng)來增加訓(xùn)練樣本數(shù)量；

3)測(cè)試數(shù)據(jù)處理：在步驟2)數(shù)據(jù)擴(kuò)充后的訓(xùn)練樣本中選擇四組不同規(guī)模的云污染子圖像，其中兩組為模擬數(shù)據(jù)，兩組為真實(shí)數(shù)據(jù)；

4)搭建多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型：該模型包括特征提取層、特征融合層和特征重建層；

特征提取層負(fù)責(zé)對(duì)輸入的數(shù)據(jù)進(jìn)行多尺度特征提取，數(shù)據(jù)為一組組的多時(shí)相含云序列，將多時(shí)相含云序列中的待修復(fù)影像作為輸入1，對(duì)輸入1進(jìn)行修復(fù)重建信息，將每組多時(shí)相含云序列的其余影像都為參考影像作為輸入2，輸入2為輸入1進(jìn)行修復(fù)提供了更多的互補(bǔ)信息；

特征融合層負(fù)責(zé)對(duì)由特征提取層所提取的輸入1和輸入2的特征信息進(jìn)行融合，包括通道注意力融合和concat融合；

特征重建層負(fù)責(zé)對(duì)特征融合后的特征進(jìn)行信息重建，即對(duì)特征融合層輸出的多尺度多通道特征映射進(jìn)行重建恢復(fù)；

5)多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型參數(shù)設(shè)置：對(duì)損失函數(shù)、梯度下降算法、初始學(xué)習(xí)率和迭代次數(shù)進(jìn)行參數(shù)設(shè)置，用于訓(xùn)練步驟4)中搭建好的多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型；

6)訓(xùn)練多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型：將步驟2)擴(kuò)充后的數(shù)據(jù)輸入到步驟4構(gòu)建好的多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型中，采用步驟5)中設(shè)置的參數(shù)進(jìn)行訓(xùn)練，得到多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型；

7)遙感影像云去除：將步驟3)的模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)輸入到步驟6)訓(xùn)練好的多尺度多時(shí)相深度卷積網(wǎng)絡(luò)模型中，得到云去除的影像重建結(jié)果。

步驟1)所述的不同衛(wèi)星分別為Sentinel-2和Landsat-8，每組含云序列除為待修復(fù)影像外，其它均為參考影像，且所有含云序列的無云像素至少能重建一張無云影像，預(yù)處理操作包括裁剪、線性拉伸和波段合成。

步驟2)所述的數(shù)據(jù)擴(kuò)充包括樣本多角度旋轉(zhuǎn)、裁剪、鏡像，旋轉(zhuǎn)角度從[-180°，180°]中隨機(jī)取值，裁剪大小為400×400。