【技术实现步骤摘要】
本专利技术涉及图像处理，具体是一种基于深度学习的遥感图像薄云去除方法。
技术介绍
1、近年来，随着遥感的发展与普及，遥感技术已广泛应用于农业、林业、生态环境、自然资源、应急救灾等领域。遥感影像作为遥感技术的基础信息数据，对遥感技术发展具有十分重要的支撑作用。然而，地球平均云层的覆盖率大约在60%左右，大量遥感影像在拍摄过程中都会受到云层遮挡。云层遮挡则会导致遥感影像信息的缺失，影响遥感影像质量，降低了影像的利用率，从而对后续图像判读以及应用造成极大影响。
2、薄云通常具有较高的透明度，使得其去除变得更加复杂。传统的图像处理技术往往无法有效识别和去除薄云，尤其是在复杂的自然场景中，云层与地物的颜色、纹理相似，容易产生混淆。
3、近年来，随着深度学习技术的发展，卷积神经网络（cnn）和生成对抗网络（gan）等网络在图像处理领域取得了显著成就。这些网络能够自动提取图像特征并学习复杂的映射关系，从而在图像恢复、去噪和超分辨率重建等任务中表现优异。虽然已有研究表明深度学习方法在遥感图像处理中的应用潜力，但针对薄云去除的研究仍显不足，尤其是在如何有效结合不同网络架构、损失函数和数据增强等方面。此外，现有的深度学习网络往往需要大量标注数据进行训练，而在遥感图像领域，获取高质量标注数据的成本和难度较大。因此，如何在数据量有限的情况下，构建出性能良好的薄云去除模型，是当前研究中的一个重要挑战。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的遥感图像薄云去除方法，
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的遥感图像薄云去除方法，该方法包括步骤：
3、s1、获取无云遥感数据，构建数据集，预处理后，利用perlin噪声生成相同目标尺寸的仿真薄云数据，将无云遥感数据与生成的仿真薄云数据结合，生成仿真薄云覆盖下的遥感图像数据集；
4、s2、以u-net和deeplabv3+为架构，并引入双通道注意力机制，构建薄云去除模型；
5、s3、结合生成器损失和判别损失构建损失函数，计算输出的去云遥感图像的损失，根据损失调整深度学习网络，训练并生成最终的薄云去除模型。
6、根据上述方案，所述预处理包括调整通道数、归一化处理和裁剪图像；
7、所述调整通道数，对无云遥感数据的通道数进行处理，调整到目标尺寸；
8、所述归一化处理，对无云遥感数据进行归一化，公式如下：
9、；
10、其中，normalized value表示为归一化值；original value表示为原始数据值；min value表示为数据集中该特征的最小值；max value表示为数据集中该特征的最大值；
11、所述裁剪图像，对无云遥感数据进行裁剪，裁剪成目标尺寸大小。
12、根据上述方案，perlin噪声生成仿真薄云，公式如下：
13、；
14、其中，p(x,y)表示为最终生成的分形噪声值；n表示为噪声的层数；(x,y)表示为当前坐标；表示为第i层的噪声值，控制每一层的振幅，使高频成分振幅较小，低频成分振幅较大；
15、生成过程中，利用插值方法平滑噪声值，公式如下：
16、；
17、其中，lerp(a,b,t)表示为平滑噪声值，a和b表示为相邻的噪声值，t为在0到1之间的插值因子；
18、生成的平滑噪声值需要归一化到一个特定范围，公式如下：
19、；
20、其中，pnorm表示为归一化后的噪声值；pmin表示为生成噪声时计算得到的最小值；pmax表示为生成噪声时计算得到的最大值；
21、生成仿真薄云覆盖下的遥感图像数据集，公式如下：
22、；
23、其中，c(x,y)表示为模拟的云层强度，cloud_density表示为控制云层的整体密度。
24、根据上述方案，步骤s2具体包括：
25、s21、使用deeplabv3+模块对输入图像进行特征提取；
26、s22、利用3x3卷积层对输入图像进行卷积处理，并通过双通道注意力机制进一步提取特征；
27、s23、将经过deeplabv3+模块提取的特征与通过卷积处理和双通道注意力机制提取的特征进行拼接，拼接后的特征图输入至卷积层进行上采样，生成薄云掩膜图；
28、s24、根据生成的薄云掩膜图与输入图像进行合成，去除图像中的云层，最终得到去云后的图像。
29、根据上述方案，在步骤s21中：
30、使用deeplabv3+模块对输入图像进行1x1和3x3卷积提取低层次特征low_level_features和高层次特征x；
31、所述低层次特征进行1x1卷积层、实例归一化和relu激活函数的处理；
32、所述实例归一化，对每个特征图进行独立的归一化操作，确保数值稳定；所述relu激活函数，公式如下：
33、relu(n)=max(0,n)；
34、其中，如果输入n大于或等于零，relu的输出就是n本身；如果输入n小于零，relu的输出则是0；
35、所述高层次特征x使用aspp模块进行处理；
36、所述aspp模块通过使用不同膨胀率的1x1和3x3卷积层来提取多尺度特征，公式如下：
37、；
38、其中，branch表示为aspp模块中的分支；x表示为输入高层次特征，形状为[b,c,h,w]，b表示为批次大小，c表示为通道数，h表示为高层次特征的高度，w表示为高层次特征的宽度；w1、w2、w3、w4、w5和wcat表示为卷积层的权重参数，分别对应不同的卷积层；权重的形状为[out_channels, in_channels, kernel_size, kernel_size]；rate表示为膨胀率，控制卷积核的扩展程度，以增加感受野；padding表示为卷积操作中的填充，确保卷积操作不会改变特征图的空间维度；并对卷积后的高层次特征进行批量归一化；
39、所述批量归一化包括标准化和线性变化；
40、所述标准化，公式如下：
41、；
42、其中，表示为标准化后的数据，会有零均值和单位方差；xi表示为第i个样本在某一特征维度上的原始输入值；μb表示为均值大小；表示为批次中该通道的方差；表示为一个常数；
43、所述线性变化，公式如下：
44、；
45、其中，表示为最终输出的数据；γ和β表示为能够训练的参数，分别用于缩放和偏移，网络通过学习γ和β来恢复标准化过程中的信息；
46、进行批量归一化后的高层次特征进行全局平均池化，得到全局特征，公式如下：
47、；
48、其中，global_feature表示为全局特征；mean()本文档来自技高网...
【技术保护点】
1.一种基于深度学习的遥感图像薄云去除方法，其特征在于：该方法包括步骤：
2.根据权利要求1所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
3.根据权利要求2所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
4.根据权利要求1所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：步骤S2具体包括：
5.根据权利要求4所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：在步骤S21中：
6.根据权利要求5所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
7.根据权利要求4所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：在步骤S22中：
8.根据权利要求4所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：在步骤S23中：
9.根据权利要求1所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
10.根据权利要求9所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
【技术特征摘要】
1.一种基于深度学习的遥感图像薄云去除方法，其特征在于：该方法包括步骤：
2.根据权利要求1所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
3.根据权利要求2所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：
4.根据权利要求1所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：步骤s2具体包括：
5.根据权利要求4所述的一种基于深度学习的遥感图像薄云去除方法，其特征在于：在步骤s21中：
<...【专利技术属性】
技术研发人员：金永涛，冯春淇，丁雷龙，任芳，田晓敏，
申请(专利权)人：北华航天工业学院，
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。