CN115222629B - 基于云厚度估计与深度学习的单幅遥感影像云去除方法 - Google Patents
基于云厚度估计与深度学习的单幅遥感影像云去除方法 Download PDFInfo
- Publication number
- CN115222629B CN115222629B CN202210942914.4A CN202210942914A CN115222629B CN 115222629 B CN115222629 B CN 115222629B CN 202210942914 A CN202210942914 A CN 202210942914A CN 115222629 B CN115222629 B CN 115222629B
- Authority
- CN
- China
- Prior art keywords
- cloud
- remote sensing
- sensing image
- image
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于云厚度估计与深度学习的单幅遥感影像云去除方法,属于遥感影像图像处理技术领域。本发明包括:S1:选取多景覆盖海面的有云卫星遥感影像,建立色彩范围模型提取云图,并根据图像叠加公式生成模拟遥感影像云去除数据集;S2:构建显著性检测卷积神经网络模型,估计遥感图像云厚度、亮度信息,并获得去云遥感影像;S3:基于半监督学习,构建用于判断遥感图像中有云或无云状态的鉴别器模型,实现对遥感影像云去除结果的评估以及鉴别器模型无监督微调。本发明可以在厚云与薄云共存的情况下保持遥感影像去云结果的可靠性;无需额外的辅助数据,去云结果不会对无云区域影像造成干扰。
Description
技术领域
本发明属于遥感影像图像处理技术领域,具体涉及一种基于云厚度估计与深度学习的单幅遥感影像云去除方法。
背景技术
光学卫星遥感已经成为了救灾、地质、环境、工程建设的主要勘察和监测手段,为人类科学事业发展带来了极大的便利。然而云是光学遥感影像中普遍存在且不可避免的动态特征,全球中纬度地区云覆盖率约35%,全球地表云覆盖达到58%至66%。在水汽含量高的地区几乎全年无法获得高质量的影像,这种现象降低了遥感影像的可靠性并增加了数据处理的难度。光学遥感影像云去除主要包含有两个步骤,第一步是云检测,第二步是云去除。
云检测方案通常将检测过程视为像素分类过程,虽然获得了质量较高的掩膜文件,但是却忽视了云以及云阴影包含的地表信息,然而大多数情况下遥感成像传感器接收到的信号都是地表反射信号的和云反射信号的线性组合。这便导致了云检测结果仅能提供云的定位和标识,无法对云量和地表信息进行估计。图像中的云(尤其是薄云)通常混合有地表信息,不同的透明度会导致不同的叠加方式,因此云检测更应该近似于一种混合像元分解的过程。此外,尽管云检测与云去除之间本质上存在有强烈的相关性,但是有关它们的研究总是分开进行。
云去除方案,主要分为时序遥感影像去云以及单幅遥感影像去云。时序影像去云方法通常采用同一传感器获取的不同时期的遥感影像进行替换,去云结果的质量取决于云检测结果的准确性。时序遥感影像去云操作方便,并且能够去除厚云信息。然而,时序影像去云受到诸多限制,如:卫星的重访周期较,地物信息在不同时段可能发生较大的变化;在某些海拔较高或纬度较低的区域,云雾遮挡现象更为严重,相邻时段也难以获取可以替换的像元,只能通过增加时间范围增强去云效果;在中纬度地区有着明显的四季区分,不同的影像季节性特征不同,这些区域更应该考虑不同年份同一季节像元替换;时序影像去云方法通常采用扩大云检测结果的范围,对无云覆盖区域的影像造成了较大的损伤。单幅遥感影像则是采用透射率估计模型,通过建立透射率图,对图像的像元值进行拉伸。单幅遥感影像去云操作更加简单,能够恢复真实的地表覆盖信息,但是容易出现图像矫正不足或者过度矫正的现象,从而增加了去云后图像的不确定性。
发明内容
针对现有技术中存在的问题,本发明提供基于云厚度估计与深度学习的单幅遥感影像云去除方法,其目的在于:在厚云与薄云共存的情况下保持遥感影像去云结果的可靠性。
本发明采用的技术方案如下:
基于云厚度估计与深度学习的单幅遥感影像云去除方法,包括以下步骤:
步骤S1:选取多景覆盖海面的有云卫星遥感影像,建立色彩范围模型提取云图,并根据图像叠加公式生成模拟遥感影像云去除数据集;
步骤S2:基于显著性检测原理使用U型残差结构、自注意力机制、空洞池化金字塔、特征金字塔网络构建显著性检测卷积神经网络模型,通过所述显著性检测卷积神经网络模型估计遥感图像云厚度、亮度信息,并获得去云遥感影像;
步骤S3:基于半监督学习,构建用于判断遥感图像中有云或无云状态的鉴别器模型,实现对去云遥感影像的评估以及鉴别器模型无监督微调。
进一步的,所述步骤S1的具体步骤为:
步骤S11:根据覆盖海面的有云遥感影像,基于色彩范围模型以及亮度范围,初步提取云厚度与云亮度信息;
步骤S12:根据云量<5%或无云的遥感影像建立多组图像切片,基于预训练的鉴别器模型,去除有云的图像切片,仅保留无云的图像切片;
步骤S13:基于图像叠加公式,采用随机云亮度值结合真实的云厚度信息,与无云的图像切片相融合,得到模拟遥感影像云去除数据集;所述图像叠加公式如下:
(1)
式中是遥感影像的总体反射亮度,是云的厚度信息,,是地表反射强度,是云顶的反射强度。
进一步的,所述步骤S2的具体步骤为:
步骤S21:基于显著性检测特性,基于U型残差结构、自注意力机制、空洞池化金字塔、特征金字塔网络构建用于估计云厚度和绝对亮度的显著性检测卷积神经网络模型;
步骤S22:采用步骤S13得到的模拟遥感影像云去除数据集对所述显著性检测卷积神经网络进行训练;
步骤S23:将有云遥感影像输入训练好的显著性检测卷积神经网络中,生成有云遥感影像的云厚度信息以及云亮度信息,基于图像叠加算法获得去云遥感影像。
进一步的,步骤S22中,在训练前先通过多通道样本自平衡方法对模拟遥感影像云去除数据集中的样本进行处理,所述多通道样本自平衡方法的公式如下:
(2)
(3)
其中,是独热编码后所关注的图像通道,是独热编码所包含的其余通道,分别对应模型预测分类与标签分类,k和j分别代表图像第k个通道和第j个通道,是权重平衡参数,分别表示注意力通道的真阳性率、假阳性率以及假阴性率,是训练样本图像的大小,是损失值,S是防止分母归零的因子,取10-5。本发明通过改进Tversky损失函数,将二分类方法有效的扩增至多分类场景应用,该方法无需提前获取样本占比,能够根据样本的分布特征自动平衡样本权重,在多分类样本数量差异较大的情况下仍然能够有效调节模型的自适应能力。
进一步的,所述步骤S3的具体步骤为:
步骤S31:将步骤S2得到云厚度、亮度信息以及去云遥感影像输入预训练的ResNet-50鉴别器中,对去云遥感影像进行评估;
步骤S32:根据评估结果将质量值≥0.7以及质量值<0.7的结果分为两组,将质量值≥0.7的去云遥感影像以及对应的有云遥感影像切片加入原始的模拟遥感影像云去除数据集之中用于模型自监督微调。
进一步优选的,所述预训练的ResNet-50鉴别器采用模型输出与模型输入之间的均方误差作为训练目标。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本方案可以在厚云与薄云共存的情况下保持遥感影像去云结果的可靠性;无需额外的辅助数据,仅通过输入的遥感影像能够有效的估计云层厚度以及亮度信息,图像去云过程以云检测为基础,舍弃了解释性较差的图像生成算法,因此去云结果不会对无云区域影像造成干扰;该方法实现了像元级自动化云检测与云去除,并集成了半监督学习方法,模型能够自动化迭代调优。
2.构建了一个显著性检测网络架构并在此基础上增加了一个通道全局池化以及通道平均池化,使用较少的计算开销获得更高准确度的云厚度估计值与云最大亮度估计值。主干网络主要优点在于:特征提取和特征融合均采用了RSU(U型残差结构)与ASPP(空洞池化金字塔),能够在有限的参数下对遥感影像进行多尺度特征化,去云后的影像保真度高,去云效果优异能够满足遥感目标检测和定量分析的基本要求。
3.建立了一个基于ResNet-50的鉴别器模块,模块采用模型输出与模型输入之间的1-MSE(均方误差)作为训练目标。通过该鉴别器模块,能够有效的对模型输出结果的质量进行评估。且当质量值≥0.7时,模型输入输出形成一组有效的数据集,从而自动化实现模型微调。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的流程图;
图2是本发明模拟数据集构造示意图;
图3是本发明的卷积神经网络模型;
图4是本发明的单幅遥感影像云去除结果;
图5是本发明的置信度掩膜示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合图1-图5对本发明作详细说明。
图3展示了本发明的卷积神经网络模型。名词解释:Input:模型输入,Output:模型输出,Backbone:主干网络,Cloud matting mask:云厚度估计图,MaxDN:图像最大亮度值,Conv:卷积,BN:批量标准化,Relu:非线性激活函数,Downsample:下采样,Upsample:上采样,CBR:卷积+批量标准化+非线性激活函数,Dilation:空洞卷积,Concatenation:特征图通道叠加,Addition:特征图相加,Channel global Average pooling: 通道全局平均池化,Channel global Max pooling :通道全局最大池化,Linear layer:全连接神经网络层。
本发明提供了一种基于云厚度估计与深度学习的单幅遥感影像云去除方法,包括以下步骤:
步骤S1:选取多景覆盖海面的有云卫星遥感影像,建立色彩范围模型提取云图,并根据图像叠加公式生成模拟遥感影像云去除数据集,具体包括以下步骤:
步骤S11:根据覆盖海面的有云遥感影像,基于色彩范围模型以及亮度范围,初步提取云厚度与云亮度信息;
步骤S12:根据少云(云量<5%)或无云的遥感影像建立多组图像切片,基于预训练的鉴别器模型,去除有云的图像切片,仅保留无云的图像切片;
步骤S13:基于图像叠加公式,采用随机云亮度值结合真实的云厚度信息,与无云的图像切片相融合,得到模拟遥感影像云去除数据集,数据集生成示意图如图2所示。其中无云遥感影像为真实遥感影像,通过色彩范围获得的云厚度图(步骤S1),进而通过图像叠加公式获得模拟有云遥感影像。
所述图像叠加公式如下:
(1)
式中是遥感影像的总体反射亮度,是云的厚度信息,,是地表反射强度,是云顶的反射强度。通过该图像叠加公式,能够有效的融合云厚度与无云遥感影像,从而生成非常真实的模拟遥感影像。由于不同遥感影像中云的反射亮度存在差异,因此最大亮度需要单独设定。
图2展示了模拟有云遥感影像的生成过程。其中无云遥感影像为真实遥感影像,通过色彩范围获得的云厚度图(步骤S1),进而通过公式(1)获得模拟有云遥感影像。
步骤S2:基于显著性检测原理使用RSU(U形残差结构)、自注意力机制、ASPP(空洞池化金字塔)、FPN(特征金字塔网络)构建显著性检测卷积神经网络模型,通过所述显著性检测卷积神经网络模型估计遥感图像云厚度、亮度信息,并获得去云遥感影像,具体步骤如下:
步骤S21:基于显著性检测特性,基于RSU(U型残差结构)、自注意力机制、ASPP(空洞池化金字塔)、FPN(特征金字塔网络)构建用于估计云厚度和绝对亮度的显著性检测卷积神经网络模型;
步骤S22:采用步骤S13得到的模拟遥感影像云去除数据集对所述显著性检测卷积神经网络进行训练。由于模拟遥感影像云去除数据集中正样本和负样本的数量并不均衡,训练效果不好,为促进模型训练,首先对模拟遥感影像云去除数据集中的样本进行处理,使正样本和负样本的数量大致相等。本发明为克服样本不均衡的问题,构建了一种多通道样本自平衡方法,如公式(2)和公式(3)所示:
(2)
(3)
其中,是独热编码后所关注的图像通道,是独热编码所包含的其余通道,分别对应模型预测分类与标签分类,k和j分别代表图像第k个通道和第j个通道,是权重平衡参数,分别表示注意力通道的真阳性率、假阳性率以及假阴性率,是训练样本图像的大小,是损失值,S是防止分母归零的因子,取10-5。本本发明通过改进Tversky损失函数,将二分类方法有效的扩增至多分类场景应用,该方法无需提前获取样本占比,能够根据样本的分布特征自动平衡样本权重,在多分类样本数量差异较大的情况下仍然能够有效调节模型的自适应能力。
(4)
根据公式(4),当获取了遥感影像的总体反射亮度,云顶的反射强度以及云的厚度信息,能够有效的推导地表反射强度。
步骤S23:将有云遥感影像输入训练好的显著性检测卷积神经网络中,生成有云遥感影像的云厚度信息以及云亮度信息,基于图像叠加算法获得去云遥感影像。图4展示了模型的输入与输出,第一行是模型输入,第二行与第三行是模型的输出。
步骤S3:基于半监督学习,构建用于判断遥感图像中有云或无云状态的鉴别器模型,实现对遥感影像云去除结果(即去云遥感影像)的评估以及鉴别器模型无监督微调。所述步骤S3的具体步骤为:
步骤S31:将步骤S2得到云厚度、亮度信息以及去云遥感影像输入预训练的ResNet-50鉴别器中,对遥感影像云去除结果进行评估;所述基于ResNet-50的鉴别器模块采用模型输出与模型输入之间的1-MSE(均方误差)作为训练目标。
步骤S32:根据评估结果将质量值≥0.7以及质量值<0.7的结果分为两组,将质量值≥0.7的云去除结果以及对应的有云遥感影像加入原始的模拟遥感影像云去除数据集之中用于模型自监督微调。
(5)
根据公式(5),随着云的厚度增加,分母会逐渐趋近于0,导致去云结果出现过估计现象。针对此类问题本发明设置了置信度掩膜(图5)。通过该方式,可以人工选择不同阈值的作为去云遥感影像的掩膜,有效区分厚云和薄云覆盖区域。图5中分别展示了,,置信度掩膜之后的去云遥感影像,将大于该阈值的区域进行掩膜(红色)能够有效的标记厚云区域,为使用者后续研究和应用提供更好的支撑。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (5)
1.基于云厚度估计与深度学习的单幅遥感影像云去除方法,其特征在于以下步骤:
步骤S1:选取多景覆盖海面的有云卫星遥感影像,建立色彩范围模型提取云图,并根据图像叠加公式生成模拟遥感影像云去除数据集;
所述步骤S1的具体步骤为:
步骤S11:根据覆盖海面的有云遥感影像,基于色彩范围模型以及亮度范围,初步提取云厚度与云亮度信息;
步骤S12:根据云量<5%或无云的遥感影像建立多组图像切片,基于预训练的鉴别器模型,去除有云的图像切片,仅保留无云的图像切片;
步骤S13:基于图像叠加公式,采用随机云亮度值结合真实的云厚度信息,与无云的图像切片相融合,得到模拟遥感影像云去除数据集;所述图像叠加公式如下:
ε=(1-α)εground+αεcloud (1)
式中ε是遥感影像的总体反射亮度,α是云的厚度信息,α=[0,1],εground是地表反射强度,εcloud是云顶的反射强度;
步骤S2:基于显著性检测原理使用U型残差结构、自注意力机制、空洞池化金字塔、特征金字塔网络,构建显著性检测卷积神经网络模型;通过所述显著性检测卷积神经网络模型估计遥感图像云厚度、亮度信息,并获得去云遥感影像;
步骤S3:基于半监督学习,构建用于判断遥感图像中有云或无云状态的鉴别器模型,实现对去云遥感影像的评估以及鉴别器模型无监督微调。
2.根据权利要求1所述的基于云厚度估计与深度学习的单幅遥感影像云去除方法,其特征在于,所述步骤S2的具体步骤为:
步骤S21:基于显著性检测特性,基于U型残差结构、自注意力机制、空洞池化金字塔、特征金字塔网络构建用于估计云厚度和绝对亮度的显著性检测卷积神经网络模型;
步骤S22:采用步骤S13得到的模拟遥感影像云去除数据集对所述显著性检测卷积神经网络进行训练;
步骤S23:将有云遥感影像输入训练好的显著性检测卷积神经网络中,生成有云遥感影像的云厚度信息以及云亮度信息,基于图像叠加算法获得去云遥感影像。
3.根据权利要求2所述的基于云厚度估计与深度学习的单幅遥感影像云去除方法,其特征在于,步骤S22中,在训练前先通过多通道样本自平衡方法对模拟遥感影像云去除数据集中的样本进行处理,所述多通道样本自平衡方法的公式如下:
其中,n是独热编码后所关注的图像通道,m是独热编码所包含的其余通道,分别对应模型预测分类与标签分类,k和j分别代表图像第k个通道和第j个通道,β是权重平衡参数,[TPk,FPk,FNk]分别表示注意力通道的真阳性率、假阳性率以及假阴性率,[M,N]是训练样本图像的大小,LTversky是损失值,S是防止分母归零的因子。
4.根据权利要求1所述的基于云厚度估计与深度学习的单幅遥感影像云去除方法,其特征在于,所述步骤S3的具体步骤为:
步骤S31:将步骤S2得到云厚度、亮度信息以及去云遥感影像输入预训练的ResNet-50鉴别器中,对去云遥感影像进行评估;
步骤S32:根据评估结果将质量值≥0.7以及质量值<0.7的结果分为两组,将质量值≥0.7的去云遥感影像以及对应的有云遥感影像切片加入原始的模拟遥感影像云去除数据集之中用于模型自监督微调。
5.根据权利要求4所述的基于云厚度估计与深度学习的单幅遥感影像云去除方法,其特征在于,所述预训练的ResNet-50鉴别器采用模型输出与模型输入之间的均方误差作为训练目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210942914.4A CN115222629B (zh) | 2022-08-08 | 2022-08-08 | 基于云厚度估计与深度学习的单幅遥感影像云去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210942914.4A CN115222629B (zh) | 2022-08-08 | 2022-08-08 | 基于云厚度估计与深度学习的单幅遥感影像云去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222629A CN115222629A (zh) | 2022-10-21 |
CN115222629B true CN115222629B (zh) | 2023-05-05 |
Family
ID=83615869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210942914.4A Active CN115222629B (zh) | 2022-08-08 | 2022-08-08 | 基于云厚度估计与深度学习的单幅遥感影像云去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222629B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524374B (zh) * | 2023-07-03 | 2023-09-26 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484859A (zh) * | 2014-10-20 | 2015-04-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN113269825A (zh) * | 2021-04-06 | 2021-08-17 | 云南师范大学 | 基于地基激光雷达技术林木胸径值提取的方法 |
CN114005042A (zh) * | 2021-10-20 | 2022-02-01 | 青岛浩海网络科技股份有限公司 | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 |
CN114234832A (zh) * | 2021-12-21 | 2022-03-25 | 中国铁路设计集团有限公司 | 一种基于标靶识别的隧道监控量测方法 |
CN114742733A (zh) * | 2022-04-19 | 2022-07-12 | 中国工商银行股份有限公司 | 云去除方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563418A (zh) * | 2020-04-14 | 2020-08-21 | 浙江科技学院 | 一种基于注意力机制的非对称多模态融合显著性检测方法 |
CN113298815A (zh) * | 2021-06-21 | 2021-08-24 | 江苏建筑职业技术学院 | 一种半监督遥感图像语义分割方法、装置和计算机设备 |
-
2022
- 2022-08-08 CN CN202210942914.4A patent/CN115222629B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484859A (zh) * | 2014-10-20 | 2015-04-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN113269825A (zh) * | 2021-04-06 | 2021-08-17 | 云南师范大学 | 基于地基激光雷达技术林木胸径值提取的方法 |
CN114005042A (zh) * | 2021-10-20 | 2022-02-01 | 青岛浩海网络科技股份有限公司 | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 |
CN114234832A (zh) * | 2021-12-21 | 2022-03-25 | 中国铁路设计集团有限公司 | 一种基于标靶识别的隧道监控量测方法 |
CN114742733A (zh) * | 2022-04-19 | 2022-07-12 | 中国工商银行股份有限公司 | 云去除方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115222629A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119728B (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
Yadav et al. | Fog removal techniques from images: A comparative review and future directions | |
Wilson et al. | Enhancing a simple MODIS cloud mask algorithm for the Landsat data continuity mission | |
CN111797712A (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN115222629B (zh) | 基于云厚度估计与深度学习的单幅遥感影像云去除方法 | |
Glasner et al. | Hot or not: Exploring correlations between appearance and temperature | |
Simpson et al. | Improved cloud detection in GOES scenes over land | |
Hutchison et al. | The use of global synthetic data for pre-launch tuning of the VIIRS cloud mask algorithm | |
Hashim et al. | Determination of seagrass biomass at Merambong Shoal in Straits of Johor using satellite remote sensing technique | |
CN109685735B (zh) | 基于雾层平滑先验的单张图片去雾方法 | |
Venkatakrishnamoorthy et al. | Cloud enhancement of NOAA multispectral images by using independent component analysis and principal component analysis for sustainable systems | |
CN113487509B (zh) | 一种像素聚类及透射率融合的遥感图像雾气去除方法 | |
US7058511B2 (en) | Sub-visible cloud cover assessment: VNIR-SWIR | |
CN103870847A (zh) | 一种低照度环境下对地监控的运动目标检测方法 | |
Werdell et al. | Approach for the long-term spatial and temporal evaluation of ocean color satellite data products in a coastal environment | |
CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
CN112767267A (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
Pal | Visibility enhancement of fog degraded image sequences on SAMEER TU dataset using dark channel strategy | |
Shabna et al. | HSEG and PCA for Hyper-spectral Image Classification | |
Siok et al. | A simulation approach to the spectral quality of multispectral images enhancement | |
CN114140361A (zh) | 融合多级特征的生成式对抗网络图像去雾方法 | |
Seddon et al. | Segmentation of clouds using cluster analysis | |
Deluxni et al. | A Scrutiny on Image Enhancement and Restoration Techniques for Underwater Optical Imaging Applications | |
Pal et al. | Quality enhancement of foggy images comprising of large sky region on SAMEER TU dataset | |
Krishnamoorthy et al. | Image classification using higher-order statistics-based ICA for NOAA multispectral satellite image |
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 |