一种基于特征自适应校正的遥感图像薄云去除方法与流程

技术特征：
1.一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于：采用深度卷积神经网络设计薄云去除网络，实现单张图像薄云去除，薄云去除网络输入为有云图，输出为去云图，利用有云遥感图像和无云遥感图像构造训练数据集，用于网络学习有云图和无云图之间的映射关系；薄云去除网络采用上述训练数据集进行训练，结合均值损失函数、vgg损失函数和最小绝对值偏差损失函数对网络进行优化，训练结束后采用该方法实现单张遥感图像薄云去除。2.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述薄云去除网络由特征提取子网络f1和特征恢复子网络f2组成，其中特征提取子网络f1负责提取与薄云有关的特征，特征恢复子网络f2负责完成无云遥感图像的重建。3.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述特征提取子网络f1和特征恢复子网络f2具体为：特征提取子网络f1由r个卷积层组成，每个卷积层的卷积核的个数分别为{20k,21k,
…
,2
r
‑1k}，卷积核尺寸均为e
×
e，卷积步幅为f，其中，r、k、e、f均为正整数，激活函数采用lrelu函数，斜率为β，β∈(0,1)；所述特征恢复子网络f2负责完成无云遥感图像的重建，通过转置卷积扩大特征图尺寸并整合特征提取子网络f1提取的图像特征进行无云图的重构与恢复；特征恢复子网络f2由r个卷积层组成，每个卷积层的卷积核的个数分别为{2
r
‑1k,
…
,21k,20k}，卷积核尺寸均为e
×
e，卷积步幅为g，其中，r、k、e、g均为正整数，激活函数采用relu函数。4.根据权利要求2所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述特征提取子网络f1和特征恢复子网络f2基于多层特征交互单元mfu搭建，并采用特征自适应校准单元fcu在子网络之间进行信息交换；所述多层特征交互单元mfu负责提取不同感受野下的薄云特征，设计多条支路对不同层级的图像特征进行整合交互；所述特征自适应校准单元fcu根据图像特征对薄云去除的重要程度，自适应地赋予相应权值完成图像特征重标定，使特征提取子网络f1将对薄云去除有价值的特征传递给特征恢复子网络f2完成无云图的重构。5.根据权利要求4所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述多层特征交互单元具体为：所述多层特征交互单元在特征提取子网络f1中负责提取多种尺度下的薄云特征，在特征恢复子网络f2中负责整合图像特征，完成无云遥感图像的重构；所述多层特征交互单元mfu采用m个不同系数的空洞卷积在多种感受野下提取图像特征，系数为{1,3,
…
,2m
‑
1},m≥1，空洞卷积的卷积核尺寸为d
×
d，激活函数为relu函数，在参数量不变的情况下，增大感受野来获取更大尺度下的特征；所述多层特征交互单元mfu设计n条支路整合交互不同层级图像特征，从而使网络融合多种尺度的图像特征。6.根据权利要求4所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述特征自适应校准单元具体为：所述特征自适应校准单元fcu使用全局平均池化将每个通道特征整合成一个值，使用两层全连接学习每个通道对应权值系数，两个全连接层输出节点数为c为输入特征
图通道数量，σ为正整数，激活函数分别为relu函数和sigmoid函数，最终将得到的权值系数与对应通道进行乘积，完成图像特征自适应校准工作。7.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述均值损失函数的具体为：l
m
＝||ω(h)
‑
ω(r(j))||1式中，ω(
·
)表示尺寸为b
×
b窗口内的平均值，b为正整数，r(
·
)表示薄云去除网络的输出，h表示无云遥感图，j表示有云遥感图，r(j)表示去云遥感图。8.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述vgg损失函数的具体为：式中，表示vgg16网络的2
‑
2层输出，w，h和c表示特征图的宽、高和数量，i，j和k表示特征图的宽、高和数量的索引。9.根据权利要求1所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述最小绝对值偏差损失函数的具体为：l
l
＝||h
‑
r(j)||1。10.根据权利要求1
‑
9任一所述的一种基于特征自适应校正的遥感图像薄云去除方法，其特征在于，所述训练数据集具体为：收集p张无云遥感图像，并对图像进行加云操作，得到p张有云遥感图像，将无云图和有云图在相同位置进行裁剪，得到大小为n
×
n的图像块，剔除信息含量较少的图像块，从剩余图像块中选取具有对应关系的q张有云遥感图像块和q张无云遥感图像块，构成训练数据集，表示为{j
i
,h
i
},i∈{1,2,
…
,q}，用于网络学习有云图和无云图之间的映射关系，其中，n、p和q均为正整数。

技术总结
本发明公开了一种基于特征自适应校正的遥感图像薄云去除方法，采用深度卷积神经网络设计薄云去除网络，实现单张图像薄云去除，薄云去除网络输入为有云图，输出为去云图，利用有云遥感图像和无云遥感图像构造训练数据集，用于网络学习有云图和无云图之间的映射关系；薄云去除网络采用上述训练数据集进行训练，结合均值损失函数、VGG损失函数和最小绝对值偏差损失函数对网络进行优化，训练结束后采用该方法实现单张遥感图像薄云去除。本发明不依赖先验知识和物理模型，仅由单张薄云遥感图像就可完成端到端的薄云去除，适用范围广，实施简单方便，薄云去除效果真实自然。薄云去除效果真实自然。薄云去除效果真实自然。


技术研发人员：刘宇航 王晓宇 杨志 佘玉成 张严
受保护的技术使用者：航天东方红卫星有限公司
技术研发日：2021.06.02
技术公布日：2021/10/19