改进CGAN网络的光学遥感图像云去除方法

发布时间：2023-03-20 00:22

　　农业生产中使用的光学遥感图像在采集过程中时常受到云层的影响,导致获取到的图像清晰度低,影响地物信息的判读和后续的使用。针对这一问题,提出一种基于改进条件生成对抗网络(ConditionalGenerativeAdversarial Net-work,CGAN)的光学遥感图像去云方法。首先,在原始CGAN的生成器中引入空间池化层,通过增加网络的多尺度特征学习能力以提高生成图像的细节信息;其次,在改进CGAN网络中加入回归损失使生成图像与真实图像更加接近,进一步提高生成效果。在光学遥感图像数据集上的试验结果表明:相比原始CGAN,改进CGAN生成的无云光学遥感图像更接近真实无云光学遥感图像,与原始CGAN相比,改进CGAN在薄云和厚云光学遥感图像上的峰值信噪比(Peak Signal-to-NoiseRatio,PSNR)分别提升了1.64和1.05dB,结构相似性(StructuralSIMilarity,SSIM)分别提升了0.03和0.04。同时,相较于传统的去云方法和深度学习的Pix2Pix方法,该方法在光学遥感图像去云和保真上均取得了更好的效果。研究结果证明了改进的CGAN方法实...

【文章页数】：9 页

【文章目录】：
0 引言
1 基于改进CGAN的光学遥感图像去云方法
    1.1 CGAN原理
    1.2 多尺度特征融合和空间金字塔池化
    1.3 CGAN模型改进
        1.3.1 生成器
        1.3.2 判别器
        1.3.3 损失函数设计
    1.4 模型训练
    1.5 评价指标
2 试验数据集
3 结果与分析
    3.1 生成器网络结构优化对模型性能影响
    3.2 损失函数优化对模型性能影响
    3.3 与其他方法对比
        3.3.1 去除薄云效果对比
        3.3.2 去除厚云效果对比
4 结论



本文编号：3766298