基于生成对抗网络的遥感影像薄云去除方法研究
发布时间：2021-11-10 17:01
多光谱遥感卫星数据具有时空分辨率高、直观性强、信息量大等特点,被广泛应用于海洋监管、农业调查、环境监测、军事侦察等领域,但成像过程易受云雾天气影响导致影像部分地物信息被遮挡,影像的有效应用受到严重干扰。依据云区下垫面是否被完全遮蔽,可将影像去云研究分为厚云去除与薄云去除两个方向,由于薄云区域的地物反射率仍有部分存留,从影像自身恢复薄云下的地表信息,对于提高影像利用率具有更重要的意义。受限于云雾浓度难以准确估计的客观事实,当前传统遥感影像薄云去除方法尚存在云雾去除不彻底、地物信息损失大的问题,而现有深度学习下的影像去云方法虽然在效果上有了较大提升,但依赖于高成本的监督学习策略,难以解决真实样本对获取困难与合成样本对无法完全符合真实数据分布的矛盾,导致在海量遥感影像自动化去云的实际工作中应用困难。为此,本文旨在摒弃基于数据标注对的监督学习策略,构建无监督深度学习下的“薄云-晴空”影像转换架构,将影像薄云去除问题转换为地表信息在薄云与晴空两种成像状态之间的转换问题,提出具备云雾特征与图像色彩感知能力的遥感影像薄云去除方法,从而实现薄云影像地物信息高保真重建。论文的主要内容概括如下:（1）形成...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
遥感影像薄
浙江大学硕士学位论文无监督学习下的“薄云-晴空”影像转换架构16道路走势清晰可辨，图像中部两个水体能与周边地物进行区分，但其边界难以判定；图2.2（d）近红外波段灰度图的云雾噪声最小，与其他三个波段图像相比，近红外波段图像的亮度与对比度最高，水体边界清晰，整幅图像范围内的地物基本都可以识别。由图可以看出，云雾对不同波段图像的影响程度不同，蓝光波段受云雾影响最为严重，而近红外波段受云雾影响相对最校因此在影像去云工作中，使用多波段数据在理论上能够获取更多的地物信息，从而取得更好的去云效果。（a）蓝色波段（b）绿色波段（c）红色波段（d）近红外波段图2.2Landsat8遥感影像四波段灰度图根据以上薄云影像特征分析可知，云雾不仅在视觉上具有清晰可辨的外观，而且在空间及光谱上均表现出与地面物体截然不同的特征。目前深度学习的飞速发展已经使计算机具备了提取图像深层特征的能力，因此利用计算机的强大算力，通过深度神经网络从大量遥感影像中自动准确识别云雾特征是具有可行性的。
裕?ü?ㄒ逶从蛲枷裼刖???斡成涞奈痹从蛲?像之间的一致性，解决了单向对抗性损失对映射约束过弱的问题。Cycle-GAN的模型结构如图2.4所示，其具有两个生成器与两个判别器，相当于由两个单向GAN模型组合而成。生成器G和判别器D可以看作是一个正向的GAN，生成器G用于学习域到域的映射，而判别器D用于判断输入图像是否符合域数据分布，从而指导生成器产生与域图像更为相似的图像。而生成器F和判别器D可以看作是一个反向的GAN，生成器F用于学习域到域的映射，而判别器D用于区分输入图像是否是否符合域数据分布。图2.4Cycle-GAN基本框架（Zhuetal.,2017）循环一致性损失的设计如图2.5所示，其中包含完全对称的正向损失（左）与反向损失（右）两个部分。正向循环一致性损失表示为→()→(())≈，其中()表示由通过映射生成的伪域图像，(())表示该伪域图像再通过逆映射生成的伪域图像。基于与(())之间的一致性，可评估正向循环一致性损失，二者一致性越高，则损失越低。反向循环一致性损失则与正向的损失完全相反，表示为→()→(())≈，该过程不再赘述。
【参考文献】：
期刊论文
[1]基于全变分模型的多时相遥感影像厚云去除算法[J]. 王睿,黄微,胡南强. 计算机应用. 2020(07)
[2]基于生成对抗网络的遥感图像去云算法[J]. 李华莹,林道玉,张捷,刘必欣. 计算机与现代化. 2019(11)
[3]基于Sentinel-1/2的水体提取方法对比研究——以斯里兰卡小型水体为例[J]. 周晗,叶虎平,魏显虎,张宗科,王法溧,齐永菊,马建如. 中国科学院大学学报. 2019(06)
[4]GF-2支持下的干旱区稀疏植被区植被覆盖度估算[J]. 沈谦,朱长明,张新. 测绘通报. 2019(07)
[5]基于暗通道先验的单幅图像快速去雾方法[J]. 汤群芳,杨杰,刘海波,李祖林,王福建. 光子学报. 2017(09)
[6]改进HOT的高分影像自动去薄云算法[J]. 刘泽树,陈甫,刘建波,孙业超. 地理与地理信息科学. 2015(01)
[7]支持向量机技术在土地利用监测的应用研究[J]. 李平,吴曼乔,曾联明. 测绘通报. 2010(08)
[8]基于同态滤波的彩色图像光照补偿方法[J]. 焦竹青,徐保国. 光电子.激光. 2010(04)
[9]遥感科学与技术中的一些前沿问题[J]. 宫鹏. 遥感学报. 2009(01)
[10]基于ASTER遥感影像的亚热带植被覆盖度信息提取[J]. 陈小娟,陈健飞. 测绘与空间地理信息. 2008(05)
博士论文
[1]基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D]. 刘颖.中国科学院研究生院(东北地理与农业生态研究所) 2013
硕士论文
[1]基于对抗生成网络的遥感图像薄云去除算法的研究[D]. 王征明.燕山大学 2019
[2]基于暗通道先验条件复原雾化影像[D]. 储鼎.中国地质大学（北京） 2013
本文编号：3487613
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
遥感影像薄
浙江大学硕士学位论文无监督学习下的“薄云-晴空”影像转换架构16道路走势清晰可辨，图像中部两个水体能与周边地物进行区分，但其边界难以判定；图2.2（d）近红外波段灰度图的云雾噪声最小，与其他三个波段图像相比，近红外波段图像的亮度与对比度最高，水体边界清晰，整幅图像范围内的地物基本都可以识别。由图可以看出，云雾对不同波段图像的影响程度不同，蓝光波段受云雾影响最为严重，而近红外波段受云雾影响相对最校因此在影像去云工作中，使用多波段数据在理论上能够获取更多的地物信息，从而取得更好的去云效果。（a）蓝色波段（b）绿色波段（c）红色波段（d）近红外波段图2.2Landsat8遥感影像四波段灰度图根据以上薄云影像特征分析可知，云雾不仅在视觉上具有清晰可辨的外观，而且在空间及光谱上均表现出与地面物体截然不同的特征。目前深度学习的飞速发展已经使计算机具备了提取图像深层特征的能力，因此利用计算机的强大算力，通过深度神经网络从大量遥感影像中自动准确识别云雾特征是具有可行性的。
裕?ü?ㄒ逶从蛲枷裼刖???斡成涞奈痹从蛲?像之间的一致性，解决了单向对抗性损失对映射约束过弱的问题。Cycle-GAN的模型结构如图2.4所示，其具有两个生成器与两个判别器，相当于由两个单向GAN模型组合而成。生成器G和判别器D可以看作是一个正向的GAN，生成器G用于学习域到域的映射，而判别器D用于判断输入图像是否符合域数据分布，从而指导生成器产生与域图像更为相似的图像。而生成器F和判别器D可以看作是一个反向的GAN，生成器F用于学习域到域的映射，而判别器D用于区分输入图像是否是否符合域数据分布。图2.4Cycle-GAN基本框架（Zhuetal.,2017）循环一致性损失的设计如图2.5所示，其中包含完全对称的正向损失（左）与反向损失（右）两个部分。正向循环一致性损失表示为→()→(())≈，其中()表示由通过映射生成的伪域图像，(())表示该伪域图像再通过逆映射生成的伪域图像。基于与(())之间的一致性，可评估正向循环一致性损失，二者一致性越高，则损失越低。反向循环一致性损失则与正向的损失完全相反，表示为→()→(())≈，该过程不再赘述。
【参考文献】：
期刊论文
[1]基于全变分模型的多时相遥感影像厚云去除算法[J]. 王睿,黄微,胡南强. 计算机应用. 2020(07)
[2]基于生成对抗网络的遥感图像去云算法[J]. 李华莹,林道玉,张捷,刘必欣. 计算机与现代化. 2019(11)
[3]基于Sentinel-1/2的水体提取方法对比研究——以斯里兰卡小型水体为例[J]. 周晗,叶虎平,魏显虎,张宗科,王法溧,齐永菊,马建如. 中国科学院大学学报. 2019(06)
[4]GF-2支持下的干旱区稀疏植被区植被覆盖度估算[J]. 沈谦,朱长明,张新. 测绘通报. 2019(07)
[5]基于暗通道先验的单幅图像快速去雾方法[J]. 汤群芳,杨杰,刘海波,李祖林,王福建. 光子学报. 2017(09)
[6]改进HOT的高分影像自动去薄云算法[J]. 刘泽树,陈甫,刘建波,孙业超. 地理与地理信息科学. 2015(01)
[7]支持向量机技术在土地利用监测的应用研究[J]. 李平,吴曼乔,曾联明. 测绘通报. 2010(08)
[8]基于同态滤波的彩色图像光照补偿方法[J]. 焦竹青,徐保国. 光电子.激光. 2010(04)
[9]遥感科学与技术中的一些前沿问题[J]. 宫鹏. 遥感学报. 2009(01)
[10]基于ASTER遥感影像的亚热带植被覆盖度信息提取[J]. 陈小娟,陈健飞. 测绘与空间地理信息. 2008(05)
博士论文
[1]基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D]. 刘颖.中国科学院研究生院(东北地理与农业生态研究所) 2013
硕士论文
[1]基于对抗生成网络的遥感图像薄云去除算法的研究[D]. 王征明.燕山大学 2019
[2]基于暗通道先验条件复原雾化影像[D]. 储鼎.中国地质大学（北京） 2013
本文编号：3487613
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3487613.html
