本公开提供一种遥感图像的薄云去除方法，包括：获取遥感图像数据集，对遥感图像数据集进行处理，得到训练集与测试集；将通道注意力机制与残差机制进行融合，构建残差通道注意力块，将多个残差通道注意力块串联，得到残差组，其中，残差通道注意力块的输入端与输出端残差连接，残差组的输入端与输出端残差连接；根据残差组构建残差通道注意力网络，其中，残差通道注意力网络的编码端及解码端由多个残差组构成对称级联的网络结构；将训练集输入残差通道注意力网络进行训练，以使残差通道注意力网络对遥感图像中的各个特征进行学习，得到训练好的残差通道注意力网络；将测试集输入训练好的残差通道注意力网络，以去除测试集包含的遥感图像中的薄云。感图像中的薄云。感图像中的薄云。
【技术实现步骤摘要】
遥感图像的薄云去除方法、装置、设备及介质
[0001]本公开涉及遥感图像处理领域，尤其涉及一种遥感图像的薄云去除方法、装置、设备及介质。
技术介绍
[0002]早期的薄云去除方法主要关注于图像的一部分特征信息，例如基于频率特征的方法采用高通滤波器抑制低频中的云层信息，主要包括：同态滤波法，Retinex增强法和小波变换法；基于空间特征的方法包括：直方图匹配法，最大化局部对比度法和基于暗通道先验的方法；基于光谱特征的方法主要利用云在不同光谱波段中的响应差异，以及薄云与地物特征之间的光谱响应差异，将薄云与地物信息进行区分，从而移除薄云，常见的方法包括：雾度优化变换法和基于辐射传输模型的方法。这些薄云去除方法存在特征表达不足的瓶颈，极大地降低了算法在多类地表覆盖、纹理丰富等复杂场景下的性能。
[0003]随着技术的发展，基于深度学习的薄云去除方法应运而生。例如，基于U
‑
Net的卷积神经网络，主要通过编码器提取并凝练输入薄云图的空间特征，然后通过解码器逐步将特征图恢复到原始分辨率大小，从而完成图像的薄云去除。然而，这种方式存在如下问题：首先，缺乏考虑特征通道的重要程度，对于同一张输入图像，不同的特征通道涵盖不同的信息，例如描述低频特征的通道主要包含颜色和云层信息，描述高频特征的通道主要涵盖边缘和轮廓信息；其次，随着编码端重复的下采样和网络层数的加深，容易破坏和丢失图像的细节信息；此外，单一的保真度损失函数逐像素地计算两幅图像之间的差异，不足以表达人类视觉系统对两幅图相似性的判断，极大地限制了恢复无云图的质量提升。如何解决以上问题成为了基于深度学习的薄云去除任务的技术难点。
[0004]公开内容
[0005]基于此，本公开一方面提供一种遥感图像的薄云去除方法，包括：获取遥感图像数据集，对所述遥感图像数据集进行处理，得到训练集与测试集；将通道注意力机制与残差机制进行融合，构建残差通道注意力块，将多个所述残差通道注意力块串联，得到残差组，其中，所述残差通道注意力块的输入端与输出端残差连接，所述残差组的输入端与输出端残差连接；根据所述残差组构建残差通道注意力网络，其中，所述残差通道注意力网络的编码端及解码端由多个所述残差组构成对称级联的网络结构；将所述训练集输入所述残差通道注意力网络进行训练，以使所述残差通道注意力网络对遥感图像中的各个特征进行学习，得到训练好的残差通道注意力网络；将所述测试集输入所述训练好的残差通道注意力网络，以去除所述测试集包含的遥感图像中的薄云。
[0006]根据本公开的实施例，其中，所述将所述训练集输入所述残差通道注意力网络进行训练包括：以所述遥感图像的保真度损失、颜色损失、梯度损失以及结构相似度损失的加权作为所述残差通道注意力网络的损失函数进行训练。
[0007]根据本公开的实施例，其中，将通道注意力机制与残差机制进行融合，构建残差通道注意力块包括：将卷积层与激活层连接，得到残差块，所述残差块用于学习输入特征与输
出特征之间的残差；在残差块的输出端引入通道注意力机制，以对输入特征图进行通道注意力机制的运算，进一步调整输入特征与输出特征之间的残差。根据本公开的实施例，其中，所述对输入特征图进行通道注意力机制的运算包括：针对于输入每个通道的特征图，通过全局平均池化操作聚合特征图的全局空间特征；将所有通道压缩成预设数量的通道，以实现各通道提取的全局空间特征的凝练；利用卷积操作将压缩后的通道扩张回原始数量的通道，以学习各通道的全局空间特征的重要程度，得到各通道对应的权重；将每个通道对应的输入特征图与对应的权重进行乘法运算。
[0008]根据本公开的实施例，其中，将所述训练集输入所述残差通道注意力网络进行训练包括：对所述遥感图像数据集进行处理，得到验证集；采用Adam训练策略训练所述残差通道注意力网络，每完成预设次数的完整训练，保存一次残差通道注意力网络；将验证集输入当前的残差通道注意力网络，以输出去云遥感图像，并计算所述去云遥感图像与参考无云遥感图像之间的均方损失；当均方损失小于预设值时，将当前的残差通道注意力网络作为所述训练好的残差通道注意力网络。
[0009]根据本公开的实施例，其中，所述对所述遥感图像数据集进行处理包括：将所述遥感图像数据集裁剪至预设尺寸的图像；对所述图像进行数据扩充处理；对扩充后的图像的像素值进行归一化。
[0010]根据本公开的实施例，其中，所述对所述图像进行数据扩充处理包括：采用水平翻转、垂直翻转、旋转中的至少之一对所述图像进行数据扩充处理。
[0011]本公开实施例另一方面还提供一种遥感图像的薄云去除装置，包括：预处理模块，用于获取遥感图像数据集，对所述遥感图像数据集进行处理，得到训练集与测试集；第一构建模块，用于将通道注意力机制与残差机制进行融合，构建残差通道注意力块，将多个所述残差通道注意力块串联，得到残差组，其中，所述残差通道注意力块的输入端与输出端残差连接，所述残差组的输入端与输出端残差连接；第二构建模块，用于根据所述残差组构建残差通道注意力网络，其中，所述残差通道注意力网络的编码端及解码端由多个所述残差组构成对称级联的网络结构；训练模块，用于将所述训练集输入所述残差通道注意力网络进行训练，以使所述残差通道注意力网络对遥感图像中的各个特征进行学习，得到训练好的残差通道注意力网络；处理模块，用于将所述测试集输入所述训练好的残差通道注意力网络，以去除所述测试集包含的遥感图像中的薄云。
[0012]本公开另一方面还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所述的方法。
[0013]本公开另一方面还提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现上述所述的方法。
附图说明
[0014]通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
[0015]图1示意性示出了本公开实施例提供的遥感图像的薄云去除方法流程图。
[0016]图2示意性示出了本公开实施例提供的通道注意力机制的结构组成示意图。
[0017]图3示意性示出了本公开实施例提供的残差通道注意力块的结构组成示意图。
[0018]图4示意性示出了本公开实施例提供的残差组的结构组成示意图。
[0019]图5示意性示出了本公开实施例提供的残差通道注意力网络的结构组成示意图。
[0020]图6示意性示出了本公开实施例提供的遥感图像的薄云去除装置的结构框图。
[0021]图7示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
[0022]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种遥感图像的薄云去除方法，包括：获取遥感图像数据集，对所述遥感图像数据集进行处理，得到训练集与测试集；将通道注意力机制与残差机制进行融合，构建残差通道注意力块，将多个所述残差通道注意力块串联，得到残差组，其中，所述残差通道注意力块的输入端与输出端残差连接，所述残差组的输入端与输出端残差连接；根据所述残差组构建残差通道注意力网络，其中，所述残差通道注意力网络的编码端及解码端由多个所述残差组构成对称级联的网络结构；将所述训练集输入所述残差通道注意力网络进行训练，以使所述残差通道注意力网络对遥感图像中的各个特征进行学习，得到训练好的残差通道注意力网络；将所述测试集输入所述训练好的残差通道注意力网络，以去除所述测试集包含的遥感图像中的薄云。2.根据权利要求1所述的遥感图像的薄云去除方法，其中，所述将所述训练集输入所述残差通道注意力网络进行训练包括：以所述遥感图像的保真度损失、颜色损失、梯度损失以及结构相似度损失的加权作为所述残差通道注意力网络的损失函数进行训练。3.根据权利要求1所述的遥感图像的薄云去除方法，其中，将通道注意力机制与残差机制进行融合，构建残差通道注意力块包括：将卷积层与激活层连接，得到残差块，所述残差块用于学习输入特征与输出特征之间的残差；在残差块的输出端引入通道注意力机制，以对特征图进行通道注意力机制的运算，进一步调整输入特征与输出特征之间的残差。4.根据权利要求3所述的遥感图像的薄云去除方法，其中，所述对特征图进行通道注意力机制的运算包括：针对于每个通道的输入特征图，通过全局平均池化操作聚合特征图的全局空间特征；利用卷积操作将所有通道压缩成预设数量的通道，以实现各通道提取的全局空间特征的凝练；利用卷积操作将压缩后的通道扩张回原始数量的通道，以学习各通道的全局空间特征的重要程度，得到各通道对应的权重；将每个通道对应的输入特征图与对应的权重进行乘法运算。5.根据权利要求1所述的遥感图像的薄云去除方法，其中，所述将所述训练集输入所述残差通道注意力网络进行训练包括：对所述遥感图像数据集进行处理...
【专利技术属性】
技术研发人员：文雪，潘宗序，胡玉新，韩冰，刘佳音，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。