[发明专利]一种基于卷积神经网络的多光谱遥感图像去雾方法

说明书

本发明涉及一种基于卷积神经网络的多光谱遥感图像去雾方法，其特征在于：该方法包括如下步骤：步骤1：多光谱图像去雾波段选择；步骤2：建立去雾模型；步骤3：设计卷积神经网络；步骤4：训练卷积神经网络；步骤5：多光谱遥感图像去雾。本发明通过一个卷积神经网络直接学习有雾图像到清晰图像之间的映射关系，可实现端到端的去雾。卷积网络采用级联的残差结构，可对去雾模型进行有参考的学习，并实现逐步去雾。该方法不仅易于学习和训练，还可以通过加深网络层数实现更高精度的去雾结果。

(一)技术领域：

本发明涉及一种基于卷积神经网络的多光谱遥感图像去雾方法，属于遥感图像处理的技术领域。

(二)背景技术：

多光谱遥感图像不仅可以提供丰富的地物信息，还具备光谱特性，在环境、监测、军事、测绘等领域发挥十分重要的作用。然而，多光谱遥感图像会经常受到雾的干扰，造成图像中地物模糊不清、感兴趣区域信息丢失，这不仅严重影响人眼对图像数据的判读，同时也影响了遥感数据的自动解译。

对遥感图像进行去雾研究可以提高图像的质量，从而为后续的遥感图像处理和应用提供保障。许多遥感图像的去雾算法已经被提出，这些方法主要针对GoogleEarth图像或者多光谱图像中的可见光波段，而对于多光谱图像中更多波段的去雾研究还不深入。本发明针对多光谱遥感图像中存在的雾遮挡问题，提出了一种基于卷积神经网络的去雾方法。该方法将图像去雾看作是回归问题，设计端到端的卷积神经网络来学习有雾图像到清晰图像之间的映射关系，从而在各个波段上都获得了满意的去雾效果，同时保持了地物目标色彩和结构的一致性。

(三)发明内容：

1、目的：本发明的目的在于提供一种基于卷积神经网络的多光谱遥感图像去雾方法，用来实现多光谱图像的雾去除，提升图像质量。

2、技术方案：本发明通过以下技术方案实现。

本发明首先对去雾问题进行建模，并设计一个端到端的卷积神经网络来回归这个模型。然后，通过仿真方式获得足够的带有真值标签的雾图像样本来训练卷积神经网络，进行有雾图像与真值图像之间回归模型的学习。该学习好的模型即可用来对实际的多光谱图像进行去雾。该发明的具体步骤如下：

步骤1：多光谱图像去雾波段选择

本发明针对Landset8陆地成像仪(OLI)采集的多光谱图像进行去雾。Landset8OLI图像有9个波段，其中波段6、7、9三个波段的波长是大于1的，可以穿透水粒子，因此这三个波段不受雾的影响。而剩下的6个波段(波段1至5、以及波段8)分别是海岸、可见光(包括蓝、绿、红三个波段)、近红外以及全色波段，它们的波长是小于1的，会受到雾的影响，因此我们的算法针对这6个受雾影响的波段进行去雾。

步骤2：建立去雾模型

雾天成像模型可描述为：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

其中，I(x)为有雾图像，J(x)为对应的清晰图像，A是全局大气光，t(x)为透射图，x表示像素。

去雾问题即是要从有雾图像I(x)中恢复出清晰图像J(x)。根据雾天成像模型，去雾图像和原始带雾图像之间为线性关系。令h代表有雾图像，g表示被恢复的清晰图像，函数F代表有雾图像与对应清晰图像之间的映射关系，则去雾问题可以建模为以下形式(即去雾模型)：

g＝F(h) (2)

根据公式(1)，一旦获得映射关系F，则给定一个有雾图像h，通过函数关系映射便可得到清晰图像，从而实现图像去雾。

本发明采用一个残差卷积网络来拟合有雾图像到清晰图像之间的映射关系F(h)。具有残差结构的卷积神经网络，其输入不仅传递给卷积层，并且在网络末端与卷积层的输出直接相加，形成最终的网络输出。残差网络中卷积层学习到的模型可描述为：