- · 《遥感学报》栏目设置[09/01]
- · 《遥感学报》数据库收录[09/01]
- · 《遥感学报》投稿方式[09/01]
- · 《遥感学报》征稿要求[09/01]
- · 《遥感学报》刊物宗旨[09/01]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
改进网络的光学遥感图像云去除方法
作者:网站采编关键词:
摘要：0 引 言 随着遥感技术的迅速发展，光学遥感图像在作物分类[1-2]、作物产量预测[3-4]、作物长势监测[5]等农业生产领域得到了广泛的应用，但是农用的光学遥感图像在采集过程中极易受
0 引 言
随着遥感技术的迅速发展，光学遥感图像在作物分类[1-2]、作物产量预测[3-4]、作物长势监测[5]等农业生产领域得到了广泛的应用，但是农用的光学遥感图像在采集过程中极易受到天气的影响，尤其是云层的影响比较明显。大气中的云层可以分为厚云和薄云，薄云是指可以显现出一部分地表信息的较薄的云层，厚云是指太阳辐射无法穿透的完全遮住地物的云层。薄云的存在会使光学遥感图像中的地物信息变得模糊不清，而厚云的存在会使地物信息完全缺失，这给光学遥感图像的解译和后续使用带来了极大的困难。因此，光学遥感图像去云处理的研究具有十分重要的意义。
目前，专家学者针对光学遥感图像去云问题进行了广泛的研究，已提出了很多解决方法。李洪利等[6]提出了一种高保真同态滤波的遥感图像薄云去除方法；李超炜等[7]基于小波变换实现了全色遥感图像中薄云的去除；赵孟银等[8]通过相似像元替换去除了遥感图像中的厚云；王睿等[9]提出了采用全变分模型的遥感图像厚云去除方法；此外还有Markchom等[10]提出的HSI颜色空间去云方法，古今等[11]提出的低秩矩阵分解方法以及石晓旭等[12]提出的改进RPCA方法等。以上这些传统的光学遥感图像去云方法虽然均在试验中取得了较好的结果，但仍存在薄云与厚云的处理方法不能通用、依赖先验知识、特征信息需手动提取以及恢复后的图像细节受损等问题，进而导致这些传统的光学遥感图像去云方法无法得到广泛的推广应用。
近年来，随着深度学习的发展，计算机视觉研究有了重大的突破。2014年Goodfellow等[13]提出了生成对抗网络（Generative Adversarial Nets，GAN），GAN通过对抗学习能自主学习数据分布，具有良好的通用性和强大的调优能力。但GAN无监督的学习方式无法实现像素间的映射，生成的数据易失去限制和可控性。为此，Mirza等[14]于同年提出了条件生成对抗网络（Conditional Generative Adversarial Net-work，CGAN），加入条件信息对数据的生成加以控制。借助于监督学习和对抗学习2种方式的联合使用，CGAN方法使得模型能获得更优的处理效果。凭借这一特性，CGAN方法在图像雨迹去除、图像去雾等问题上得到了广泛的应用，杨继明等[15]针对极端天气对码头集装箱图像的影响，提出了基于CGAN的去除雨雪痕迹方法；王云飞等[16]基于Msmall-Patch训练的条件生成对抗网络方法对夜晚图像中的雾进行了去除；肖进胜等[17]通过CGAN方法完成了雾霾场景的转换；赵肖肖[18]利用Pix2Pix方法（一种基于CGAN的图像转换方法[19]）实现了高分辨率遥感图像去雾，保证去雾后的图像不会出现大幅度的失真等。本研究要处理的光学遥感图像去云问题与图像雨迹去除、图像去雾等问题非常类似，受上述研究的启发，本研究采用CGAN方法对光学遥感图像进行去云处理。但原始CGAN模型提取到的特征单一，忽略了不同尺度下特征的空间关系对图像内容的影响，导致去云后的光学遥感图像较为模糊且有云影残留。因此，本研究结合多尺度特征融合的思想对原始CGAN模型的生成器结构进行改进，在生成器的特征提取网络中引入了空间金字塔池化操作，使编码路径可以提取多尺度的图像特征，并将多个解码路径的结果加以融合作为网络的输出，进而丰富了去云后的光学遥感图像中的地物细节。此外，为了使去云后的光学遥感图像更接近真实无云的光学遥感图像，本研究还在原始CGAN模型的对抗损失中加入了回归损失，设计了对抗损失和回归损失相结合的复合损失函数。本研究将通过改进CGAN方法为光学遥感图像去云效果的提高提供方法借鉴。
1 基于改进CGAN的光学遥感图像去云方法
1.1 CGAN原理
CGAN是GAN的一种扩展模型，它在GAN网络的生成器和判别器中均引入了额外的条件信息来指导数据的生成，弥补了GAN生成的数据不可控的不足。如果用G代表网络生成器的映射关系，D代表网络判别器的映射关系，z代表网络输入的随机噪声（z服从分布Pz），y代表条件信息，x代表真实数据（x服从分布Pdata），CGAN网络[14]的优化目标函数如式（1）所示
式中V(D,G)表示CGAN网络的目标函数，E表示对应分布的期望值。生成器希望提高D(G(z|y))的值，而判别器希望提高D(x|y)的值并降低D(G(z|y))的值，因此CGAN的训练目标是带有条件的生成器和判别器极小极大值博弈，用V(D,G)表示这一博弈的过程。
1.2 多尺度特征融合和空间金字塔池化
图像提取的特征信息可以分为低层特征和高层特征两大类。其中，低层特征具有较高的分辨率，含有的位置信息和细节信息更多，但是由于经过的卷积层少，语义性低。而高层特征具有更强的语义信息，但分辨率较低，感知细节的能力差。多尺度特征融合可以通过融合高层特征信息和低层的特征信息的方式对不同阶段的特征信息进行充分利用，从而使图像中的地物细节得到较好的恢复以提高生成结果的精度。
文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/548.html