CN114511786A - 融合多时相信息和分通道密集卷积的遥感图像去云方法 - Google Patents

融合多时相信息和分通道密集卷积的遥感图像去云方法 Download PDF

Info

Publication number
CN114511786A
CN114511786A CN202210412899.2A CN202210412899A CN114511786A CN 114511786 A CN114511786 A CN 114511786A CN 202210412899 A CN202210412899 A CN 202210412899A CN 114511786 A CN114511786 A CN 114511786A
Authority
CN
China
Prior art keywords
cloud
remote sensing
image
channel
sensing image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210412899.2A
Other languages
English (en)
Other versions
CN114511786B (zh
Inventor
王武礼
冷林椿
王歌
姜雨蒙
李冲
马晓虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210412899.2A priority Critical patent/CN114511786B/zh
Publication of CN114511786A publication Critical patent/CN114511786A/zh
Application granted granted Critical
Publication of CN114511786B publication Critical patent/CN114511786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06T5/77—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了融合多时相信息和分通道密集卷积的遥感图像去云方法，属于遥感图像处理技术和深度学习技术领域，用于遥感图像的去云处理，包括：获取与待去云图像时相相近的遥感图像作为补充遥感图像，采用云和阴影检测方法提取所有图像中被云遮挡的区域，对补充遥感图像各遮挡区域进行交集运算得到一特定区域，再将该区域与待去云图像的遮挡区域进行差集运算和交集运算从而去云，差集运算的区域采用多时相信息补充的方法，交集运算的区域采用去云网络模型；将训练数据集的遥感图像送入去云网络模型，对去云网络模型进行训练；使用多时相信息补充的方法对待去云图像进行补充处理；将结果送入训练好的去云网络模型，得到最后的遥感图像去云结果。

Description

融合多时相信息和分通道密集卷积的遥感图像去云方法
技术领域
本发明公开了融合多时相信息和分通道密集卷积的遥感图像去云方法，属于遥感图像处理技术和深度学习技术领域。
背景技术
近些年来，光学遥感图像被越来越多地应用到环境监测、生态保护、灾害预报等领域。受天气变化原因的影响，所获取的研究区域光学遥感图像经常会有云层的遮挡，这给根据遥感图像获取信息进行下游任务的处理造成了不小的困难。研究遥感图像的去云新方法，目的是尽可能多的恢复云层覆盖下的地物信息，为采用遥感图像进行后续处理工作提供更多的地物信息。
从辅助数据的来源来分，遥感图像去云方法可以分为四类：基于空间的方法、基于光谱的方法、基于时间的方法和基于多源的方法。基于空间的方法认为被云遮挡的地物与周围的无云区域为同一地物，在该假设下通过云下方被遮盖像元的邻域信息去云。但在场景复杂的遥感图像中，邻域相似的假设可能并不成立。基于光谱的方法是利用光谱中能够穿透薄云的波段信息恢复图像，不足的是由于几乎所有波段都不能穿透厚云，无法用其处理厚云遮盖的遥感图像。基于时间的方法主要通过对同一区域中多时相的无云图像进行时间替换、时间插值和时间学习等方法去云，其缺点在于在某指定研究区域可能无法获取合适的无云时段的遥感图像对有云遥感图像补充。基于多源的方法则是融合来自不同类型传感器的遥感数据，通过多项式法，用某些无云影像来局部替换另一幅影像中有云覆盖的部分。
从修复方式来分，遥感图像去云方法分为两类：传统方法和基于学习的方法。传统的方法诸如小波变换法、同态滤波、补绘和插值，通过数学、物理模型来对缺失信息进行重建。基于学习的方法，如SVM、随机森林、深度学习等，根据所给数据学习，自动学习修复被遮盖的区域，获得无云遥感图像。
综上，在众多遥感图像去云的方法中，采用多时相信息进行补充和替换是比较可靠的一种去云思路，且图像的时相越相近得到的补充信息越可靠，但其局限性在于可能某处不存在可以作为补充信息的多时相图像。近些年来，尽管基于深度学习的去云方法一定程度上提升了遥感图像去云的效果，但仍存在一些不足。对于去云网络，除了要对输入网络的图像进行去云，还要尽可能地恢复原无云图像的细节和颜色等信息，这就需要使用深层网络提取特征信息实现对云下地物信息的完整恢复，更重要的是需要底层的特征信息完成对细节信息的恢复。深层网络模型会因参数量带来较大的计算量，细节信息的恢复则需要综合利用各个尺度的特征信息，同时希望模型能够关注对于去云更有价值的一些区域。
发明内容
本发明公开了融合多时相信息和分通道密集卷积的遥感图像去云方法，以解决现有技术中，遥感图像去云效果差、对图像的还原能力弱的问题。
融合多时相信息和分通道密集卷积的遥感图像去云方法，包括：
S1. 获取与待去云图像时相相近的遥感图像作为补充遥感图像，采用云和阴影检测方法提取所有图像中被云遮挡的区域，对补充遥感图像各遮挡区域进行交集运算得到一特定区域，再将该区域与待去云图像的遮挡区域进行差集运算和交集运算从而去云，差集运算的区域采用多时相信息补充的方法，交集运算的区域采用去云网络模型；
所述去云网络模型融合分通道密集卷积和注意力机制，采用对比学习的思想设计了损失函数中的对比学习损失项；
S2. 将训练数据集的遥感图像送入去云网络模型，对去云网络模型进行训练；
S3. 使用多时相信息补充的方法对待去云图像进行补充处理；
S4. 将补充后的结果送入训练好的去云网络模型，得到最后的遥感图像去云结果。
优选地，所述云和阴影检测方法包括：
获取原始图像，将所述补充遥感图像作为补充数据，使用Fmask方法提取待去云图像和补充遥感图像中云和阴影的掩膜区域；
将遥感图像中的掩膜区域做交集运算，得到无法进行相互补充的信息区域，记为Sc，将Sc与待去云图像的掩膜区域再进行交集运算，得到无法通过信息补充方法去云的待去云区域，记为Sn。
优选地，所述去云网络模型包括下采样模块、16个分通道密集卷积块、多尺度注意力块和上采样模块；
所述下采样模块包括一个步长为1的常规卷积和两个步长为2的卷积层；
所述16个分通道密集卷积模块内部采用密集连接，在每个分通道密集卷积块内有三部分，每部分由3*3卷积和ReLU组成，分通道密集卷积模块在密集卷积的基础上引入分通道卷积的思想，在三部分密集连接后加入分通道卷积，即将输入按通道的方式进行平分后，每份进行卷积操作并融合上一份的信息，最后将结果级联得到输出；
所述多尺度注意力模块使用通道注意力和像素注意力机制，用于区别对待遥感图像中的有云和无云区域；在通道注意力和像素注意力机制模块中加入扩张卷积，使多尺度注意力模型更加关注受云影响的光谱通道和像元，提取待去云图像的有效特征；
所述上采样模块采用相应的上采样和一个常规卷积生成去云图像。
优选地，所述多时相信息补充包括：
将Sn采用去云网络模型的结果进行补充，无云部分采用原始图像，多时相信息补 充的部分采用
Figure 32009DEST_PATH_IMAGE001
，S1…Sn为补充遥感图像，α1…αn 为参数，α1+…+αn=1，每个参数的大小由距原始图像的时间所决定，补充遥感图像时间与去 云原始图像时间越接近，则该补充遥感图像与去云原始图像越相似，其参数就越大。
优选地，所述去云网络模型的损失函数为：
Figure 152412DEST_PATH_IMAGE002
使用Smooth L1和对比学习损失项作为总损失函数，α、λ表示平衡参数，用于各平衡损失函数的权重；
对比学习损失项为：
Figure 400991DEST_PATH_IMAGE003
D(x,y)是x和y的L1距离，Ci代表图像中的第i个通道，M为通道总数，y代表无云图，
Figure 265042DEST_PATH_IMAGE004
代表去云图像，
Figure 316566DEST_PATH_IMAGE005
代表有云图。
与现有技术相比，本发明极大程度地利用了相近时相的图像作为有云图像的补充信息；通过分通道的密集卷积，提升了去云网络对特征信息的聚合能力，且其分通道卷积的操作能够更好地提取各通道的特征信息；通过多尺度注意力机制中的扩张卷积和分通道密集卷积中的密集连接，在增大感受野、更好提取特征信息的同时，又一定程度地控制了参数量的增长；通过多尺度注意力机制和融合对比学习思想的损失项，有区别地对待了受云影响部分，优化了网络的去云效果。在对比学习损失项中，融合了对比学习的思想，将训练集中有云的图像设置为负样本，将无云图像设置为正样本，而将经过去云网络处理的去云图像作为锚点，通过损失函数的设置，来拉近锚点与正样本的距离，拉大锚点与负样本之间的距离，从而在训练过程中进一步优化去云模型的去云效果。
附图说明
图1为本发明的技术流程图；
图2为分通道密集卷积块结构示意图；
图3为分通道密集卷积块分通道卷积部分结构示意图；
图4为多时相信息补充流程示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明：
融合多时相信息和分通道密集卷积的遥感图像去云方法，包括：
S1. 获取与待去云图像时相相近的遥感图像作为补充遥感图像，采用云和阴影检测方法提取所有图像中被云遮挡的区域，对补充遥感图像各遮挡区域进行交集运算得到一特定区域，再将该区域与待去云图像的遮挡区域进行差集运算和交集运算从而去云，差集运算的区域采用多时相信息补充的方法，交集运算的区域采用去云网络模型；
所述去云网络模型融合分通道密集卷积和注意力机制，采用对比学习的思想设计了损失函数中的对比学习损失项；
S2.将训练数据集的遥感图像送入去云网络模型，对去云网络模型进行训练；
采用RICE数据集作为训练数据集，对去云模型进行训练。该数据集包含RICE1数据集和RICE2数据集，其中，RICE1来自谷歌地球，包含500组真实图像和薄云图像，RICE2来自Landsat 8数据集，包含736组真实图像和厚云图像。
S3. 使用多时相信息补充的方法对待去云图像进行补充处理；
S4. 将补充后的结果送入训练好的去云网络模型，得到最后的遥感图像去云结果。
所述云和阴影检测方法包括：
获取原始图像，将所述补充遥感图像作为补充数据，使用Fmask方法提取待去云图像和补充遥感图像中云和阴影的掩膜区域；
将遥感图像中的掩膜区域做交集运算，得到无法进行相互补充的信息区域，记为Sc，将Sc与待去云图像的掩膜区域再进行交集运算，得到无法通过信息补充方法去云的待去云区域，记为Sn。
所述去云网络模型包括下采样模块、16个分通道密集卷积块、多尺度注意力块和上采样模块；
所述下采样模块包括一个步长为1的常规卷积和两个步长为2的卷积层；
所述16个分通道密集卷积模块内部采用密集连接，在每个分通道密集卷积块内有三部分，每部分由3*3卷积和ReLU组成，分通道密集卷积模块在密集卷积的基础上引入分通道卷积的思想，在三部分密集连接后加入分通道卷积，即将输入以通道的方式将其平均分为四个子集，记为C1、C2、C3和C4，将每个子集进行处理后的结果记为Y1、Y2、Y3和Y4，C1直接为Y1赋值，C2在经过卷积处理后为Y2赋值，并将结果再与C3共同进行卷积处理后成为Y3的取值，以此类推，最后将Y1、Y2、Y3和Y4级联，使输入与输出通道数相同。
Yi的获得可由下式表示：
Figure 607870DEST_PATH_IMAGE006
，其中OP代表3*3卷积。
所述多尺度注意力模块使用通道注意力和像素注意力机制，用于区别对待遥感图像中的有云和无云区域；在通道注意力和像素注意力机制模块中加入扩张卷积，使多尺度注意力模型更加关注受云影响的光谱通道和像元，提取待去云图像的有效特征；将输入的图像进行各通道全局空间特征提取后，进行两次扩张卷积，并将原结果与每次扩张卷积的结果保留，将这三种尺寸不同的结果进行级联，再进行上采样，恢复到原来的尺寸；最后，在通道注意力处理后进行像素注意力的处理，其操作与通道注意力部分相同。
多尺度注意力模块将输入记为x∈RH*W*C，其尺度为H*W，通道数为C。首先被送入池化层进行各通道全局空间特征提取，记为z∈RC，可通过下式表示：
Figure 609324DEST_PATH_IMAGE007
x(i,j)为x位于（i,j）处的特征值。
在普通的通道注意力模型中，后续处理后得到d1=δ(FC(z）），其中，δ(·)表ReLU激活函数，FC(·)为全连接层。
为了更好地进行特征信息的处理，将d1通过两个相同的3*3扩张卷积进行处理，得到d2=δ(D(d1))，d3=δ(D(d2)),其中，D(·)为扩张卷积。
将d1,d2,d3进行级联操作，将结果进行上采样恢复至原有尺度，再使用sigmoid函数获得各通道的权重，最后，将权重与输入x相乘，得到经过通道注意力后的输出特征。
上述内容可由下式得出：
Figure 277066DEST_PATH_IMAGE008
将得到的xout再作为像素注意力机制的输入，进行同样操作。
Figure 664054DEST_PATH_IMAGE009
，d1’,d2’,d3’为在像素注意力机制中 进行扩张卷积后得到的结果。
所述上采样模块采用相应的上采样和一个常规卷积生成去云图像。在下采样模块和上采样模块之间采用了跳跃连接，将不同尺度的特征图进行融合，提高了网络对特征的表达能力。
所述多时相信息补充包括：
将Sn采用去云网络模型的结果进行补充，无云部分采用原始图像，多时相信息补 充的部分采用
Figure 126259DEST_PATH_IMAGE010
，S1…Sn为补充遥感图像，α1…αn 为参数，α1+…+αn=1，每个参数的大小由距原始图像的时间所决定，补充遥感图像时间与去 云原始图像时间越接近，则该补充遥感图像与去云原始图像越相似，其参数就越大。
所述去云网络模型的损失函数为：
Figure 83851DEST_PATH_IMAGE011
使用Smooth L1和对比学习损失项作为总损失函数，α、λ表示平衡参数，用于各平衡损失函数的权重；
对比学习损失项为
Figure 289704DEST_PATH_IMAGE012
D(x,y)是x和y的L1距离，Ci代表图像中的第i个通道，M为通道总数，y代表无云图， QUOTE
Figure 767084DEST_PATH_IMAGE013
Figure 931349DEST_PATH_IMAGE013
代表去云图像， QUOTE
Figure 376237DEST_PATH_IMAGE014
Figure 369470DEST_PATH_IMAGE014
代表有云图。
smooth L1损失函数具体为：
Figure 481782DEST_PATH_IMAGE015
N代表一幅影像中的总像素个数，P代表第P个像素，C代表第C个通道，共有M个通 道，
Figure 285790DEST_PATH_IMAGE016
代表生成图像中第C个通道的第P个像素的像素值，yc(p)代表无云图像中第C个 通道的第P个像素的像素值；
式中F可表示为：
Figure 483553DEST_PATH_IMAGE017
该损失函数相对于L1损失函数更稳定，相对于L2损失函数对离群点和异常值不敏感，可以控制梯度的量级使得训练时不易波动过大。
本发明所提出的一种融合多时相信息和分通道密集卷积的遥感图像去云方法，结合了多时相信息和深度学习的方法来进行遥感图像的去云处理。本专利所述方法最大程度地结合了多时相信息对有云区域的补充，在去云网络模型中，通过引入分通道密集卷积加强了特征传播和网络的特征利用率，控制了层数加深时参数数量的增长，更好地提取各通道的特征信息，同时能控制对较小训练集任务的过度拟合（如本发明所用的RICE数据集）。引入多尺度注意力机制使模型更加关注受云影响的光谱通道和像元；在损失函数中设计的对比学习损失项，融合对比学习的思想，提升网络模型的去云性能。解决了去云任务中使用深层网络提取特征带来的大参数量问题，以及不能充分利用上下文及各通道信息和对关键区域的无差别处理而造成的细节恢复不细致问题。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.融合多时相信息和分通道密集卷积的遥感图像去云方法，其特征在于，包括：
S1. 获取与待去云图像时相相近的遥感图像作为补充遥感图像，采用云和阴影检测方法提取所有图像中被云遮挡的区域，对补充遥感图像各遮挡区域进行交集运算得到一特定区域，再将该区域与待去云图像的遮挡区域进行差集运算和交集运算从而去云，差集运算的区域采用多时相信息补充的方法，交集运算的区域采用去云网络模型；
所述去云网络模型融合分通道密集卷积和注意力机制，采用对比学习的思想设计了损失函数中的对比学习损失项；
S2.将训练数据集的遥感图像送入去云网络模型，对去云网络模型进行训练；
S3.使用多时相信息补充的方法对待去云图像进行补充处理；
S4.将补充后的结果送入训练好的去云网络模型，得到最后的遥感图像去云结果。
2.根据权利要求1所述的融合多时相信息和分通道密集卷积的遥感图像去云方法，其特征在于，所述云和阴影检测方法包括：
获取原始图像，将所述补充遥感图像作为补充数据，使用Fmask方法提取待去云图像和补充遥感图像中云和阴影的掩膜区域；
将补充遥感图像中的掩膜区域做交集运算，得到无法进行相互补充的信息区域，记为Sc，将Sc与待去云图像的掩膜区域再进行交集运算，得到无法通过信息补充方法去云的待去云区域，记为Sn。
3.根据权利要求2所述的融合多时相信息和分通道密集卷积的遥感图像去云方法，其特征在于，所述去云网络模型包括下采样模块、16个分通道密集卷积块、多尺度注意力块和上采样模块；
所述下采样模块包括一个步长为1的常规卷积和两个步长为2的卷积层；
所述16个分通道密集卷积模块内部采用密集连接，在每个分通道密集卷积块内有三部分，每部分由3*3卷积和ReLU组成，分通道密集卷积模块在密集卷积的基础上引入分通道卷积的思想，在三部分密集连接后加入分通道卷积，即将输入按通道的方式进行平分后，每份进行卷积操作并融合上一份的信息，最后将结果级联得到输出；
所述多尺度注意力模块使用通道注意力和像素注意力机制，用于区别对待遥感图像中的有云和无云区域；在通道注意力和像素注意力机制模块中加入扩张卷积，使多尺度注意力模型更加关注受云影响的光谱通道和像元，提取待去云图像的有效特征；
所述上采样模块采用相应的上采样和一个常规卷积生成去云图像。
4.根据权利要求3所述的融合多时相信息和分通道密集卷积的遥感图像去云方法，其特征在于，所述多时相信息补充包括：
将Sn采用去云网络模型的结果进行补充，无云部分采用原始图像，多时相信息补充的部 分采用
Figure 901699DEST_PATH_IMAGE001
，S1…Sn为补充遥感图像，α1…αn为参数，α1+…+αn= 1，每个参数的大小由距原始图像的时间所决定，补充遥感图像时间与去云原始图像时间越 接近，则该补充遥感图像与去云原始图像越相似，其参数就越大。
5.根据权利要求4所述的融合多时相信息和分通道密集卷积的遥感图像去云方法，其 特征在于，所述去云网络模型的损失函数为：
Figure 640985DEST_PATH_IMAGE002
使用Smooth L1和对比学习损失项作为总损失函数，α、λ表示平衡参数，用于各平衡损失函数的权重；
对比学习损失项为：
Figure 610078DEST_PATH_IMAGE003
D(x,y)是x和y的L1距离，Ci代表图像中的第i个通道，M为通道总数，y代表无云图，
Figure 561853DEST_PATH_IMAGE004
代 表去云图像，
Figure 581893DEST_PATH_IMAGE005
代表有云图。
CN202210412899.2A 2022-04-20 2022-04-20 融合多时相信息和分通道密集卷积的遥感图像去云方法 Active CN114511786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210412899.2A CN114511786B (zh) 2022-04-20 2022-04-20 融合多时相信息和分通道密集卷积的遥感图像去云方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210412899.2A CN114511786B (zh) 2022-04-20 2022-04-20 融合多时相信息和分通道密集卷积的遥感图像去云方法

Publications (2)

Publication Number Publication Date
CN114511786A true CN114511786A (zh) 2022-05-17
CN114511786B CN114511786B (zh) 2022-07-19

Family

ID=81555500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210412899.2A Active CN114511786B (zh) 2022-04-20 2022-04-20 融合多时相信息和分通道密集卷积的遥感图像去云方法

Country Status (1)

Country Link
CN (1) CN114511786B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082452A (zh) * 2022-07-26 2022-09-20 北京数慧时空信息技术有限公司 基于云及阴影的遥感影像质量定量评价方法
CN115546076A (zh) * 2022-12-05 2022-12-30 耕宇牧星(北京)空间科技有限公司 一种基于卷积网络的遥感图像薄云去除方法
CN116245757A (zh) * 2023-02-08 2023-06-09 北京艾尔思时代科技有限公司 多模态数据的多场景通用性遥感影像云修复方法和系统
CN116416586A (zh) * 2022-12-19 2023-07-11 香港中文大学（深圳） 基于rgb点云的地图元素感知方法、终端及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020939A (zh) * 2012-12-18 2013-04-03 武汉大学 利用多时相数据去除光学遥感影像大面积厚云的方法
CN104881850A (zh) * 2015-05-26 2015-09-02 上海大学 一种多时相遥感影像的厚云自动去除方法
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
CN111222539A (zh) * 2019-11-22 2020-06-02 国际竹藤中心 基于多源多时相遥感影像优化和扩充监督分类样本的方法
US20210027429A1 (en) * 2019-07-26 2021-01-28 Zhejiang University Of Technology Noise detection method for time-series vegetation index derived from remote sensing images
US20210065431A1 (en) * 2019-09-04 2021-03-04 Faro Technologies, Inc. System and method for training a neural network to fill gaps between scan points in images and to de-noise point cloud images
CN113838064A (zh) * 2021-09-23 2021-12-24 哈尔滨工程大学 一种基于分支gan使用多时相遥感数据的云去除方法
CN113935917A (zh) * 2021-10-14 2022-01-14 中国石油大学(华东) 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法
CN114140357A (zh) * 2021-12-02 2022-03-04 哈尔滨工程大学 一种基于协同注意力机制的多时相遥感图像云区重建方法
CN114373080A (zh) * 2022-03-22 2022-04-19 中国石油大学(华东) 基于全局推理的轻量化混合卷积模型的高光谱分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020939A (zh) * 2012-12-18 2013-04-03 武汉大学 利用多时相数据去除光学遥感影像大面积厚云的方法
CN104881850A (zh) * 2015-05-26 2015-09-02 上海大学 一种多时相遥感影像的厚云自动去除方法
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
US20210027429A1 (en) * 2019-07-26 2021-01-28 Zhejiang University Of Technology Noise detection method for time-series vegetation index derived from remote sensing images
US20210065431A1 (en) * 2019-09-04 2021-03-04 Faro Technologies, Inc. System and method for training a neural network to fill gaps between scan points in images and to de-noise point cloud images
CN111222539A (zh) * 2019-11-22 2020-06-02 国际竹藤中心 基于多源多时相遥感影像优化和扩充监督分类样本的方法
CN113838064A (zh) * 2021-09-23 2021-12-24 哈尔滨工程大学 一种基于分支gan使用多时相遥感数据的云去除方法
CN113935917A (zh) * 2021-10-14 2022-01-14 中国石油大学(华东) 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法
CN114140357A (zh) * 2021-12-02 2022-03-04 哈尔滨工程大学 一种基于协同注意力机制的多时相遥感图像云区重建方法
CN114373080A (zh) * 2022-03-22 2022-04-19 中国石油大学(华东) 基于全局推理的轻量化混合卷积模型的高光谱分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANGLEI JIN等: "Remote Sensing Image Dehazing Algorithm Based on Wavelet Coefficient Weighting", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 *
QIAOQIAO YANG等: "Multi-Scale Deep Residual Learning for Cloud Removal", 《2020 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
曹爽: "高分辨率遥感影像去云方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082452A (zh) * 2022-07-26 2022-09-20 北京数慧时空信息技术有限公司 基于云及阴影的遥感影像质量定量评价方法
CN115082452B (zh) * 2022-07-26 2022-11-04 北京数慧时空信息技术有限公司 基于云及阴影的遥感影像质量定量评价方法
CN115546076A (zh) * 2022-12-05 2022-12-30 耕宇牧星(北京)空间科技有限公司 一种基于卷积网络的遥感图像薄云去除方法
CN116416586A (zh) * 2022-12-19 2023-07-11 香港中文大学（深圳） 基于rgb点云的地图元素感知方法、终端及存储介质
CN116416586B (zh) * 2022-12-19 2024-04-02 香港中文大学（深圳） 基于rgb点云的地图元素感知方法、终端及存储介质
CN116245757A (zh) * 2023-02-08 2023-06-09 北京艾尔思时代科技有限公司 多模态数据的多场景通用性遥感影像云修复方法和系统
CN116245757B (zh) * 2023-02-08 2023-09-19 北京艾尔思时代科技有限公司 多模态数据的多场景通用性遥感影像云修复方法和系统

Also Published As

Publication number Publication date
CN114511786B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN114511786B (zh) 融合多时相信息和分通道密集卷积的遥感图像去云方法
CN111062892B (zh) 一种基于复合残差网络和深层监督的单幅图像去雨方法
CN111915530B (zh) 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法
CN111428781A (zh) 遥感影像地物分类方法及系统
CN111340844B (zh) 基于自注意力机制的多尺度特征光流学习计算方法
CN113673590B (zh) 基于多尺度沙漏密集连接网络的去雨方法、系统和介质
CN116071243B (zh) 一种基于边缘增强的红外图像超分辨率重建方法
CN111696110B (zh) 场景分割方法及系统
CN115358932B (zh) 一种多尺度特征融合的人脸超分辨率重构方法及系统
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN114723630A (zh) 基于空洞双残差多尺度深度网络的图像去模糊方法及系统
CN108764287B (zh) 基于深度学习和分组卷积的目标检测方法及系统
Buttar et al. Semantic segmentation of clouds in satellite images based on U-Net++ architecture and attention mechanism
CN113034404A (zh) 一种基于多尺度对抗学习的交通图像去模糊方法及装置
CN116310868A (zh) 一种多层次注意力交互的云雪辩识方法、设备及存储介质
CN113344827B (zh) 一种图像去噪方法、图像去噪网络运算单元及设备
CN115239602A (zh) 一种基于空洞卷积扩大感受野的车牌图像去模糊方法
CN111462006B (zh) 一种多目标的图像补全方法
CN112734675A (zh) 一种基于金字塔模型和非局部增强密集块的图像去雨方法
Chen et al. Remote Sensing Image Super-Resolution with Residual Split Attention Mechanism
Wang et al. A encoder-decoder deblurring network combined with high-frequency a priori
Ding et al. Pointnet: Learning Point Representation for High-Resolution Remote Sensing Imagery Land-Cover Classification
Zheng et al. Object detection algorithm based on feature enhancement
Wang et al. Research on Multi-temporal Cloud Removal Using DS Evidence Theory and Cloud Segmentation Model
Ma et al. 3D-attention and residual dense-based generative adversarial network for cloud removal

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant