[发明专利]基于AM-GAN的遥感图像去云方法、装置、设备及存储介质

说明书

本发明公开了一种基于AM‑GAN的遥感图像去云方法、装置、设备及存储介质，本发明先根据有云图像组与无云图像组形成的数据对结合损失函数对网络模型进行训练，再通过训练得到的目标网络模型中的注意力循环网络获取待处理图像的注意力图，在注意力图的指导下通过目标网络模型中的负残差网络对待识别图像去云得到目标特征图，通过目标网络模型中的标准残差块对目标特征图重建得到无云背景图像，还通过目标网络模型中的鉴别器对无云背景图像进行鉴别，得到鉴别结果，以根据鉴别结果确定无云背景图像与真实无云图像的相似度，避免云层对遥感图像的干扰，提高对遥感图像进行处理得到的结果准确度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于AM-GAN(GenerativeAdversarial Network of Attention Mechanism，生成式对抗网络)的遥感图像去云方法、装置、设备及存储介质。

背景技术

随着遥感技术的飞速发展，现在可获得具有高空间分辨率和高光谱分辨率的遥感图像。丰富的光谱信息被广泛用于地球观测应用中，例如资源勘探，植被管理和灾害监测等。但是，由于云层的干扰，会导致部分信息丢失，大大降低了遥感图像的质量，导致对遥感图像进一步处理得到的结果准确度较低。

发明内容

本发明的主要目的在于提供一种基于AM-GAN的遥感图像去云方法、装置、设备及存储介质，旨在解决当前对遥感图像进一步处理得到的结果准确度较低的技术问题。

为实现上述目的，本发明实施例提供一种基于AM-GAN的遥感图像去云方法，所述基于AM-GAN的遥感图像去云方法包括：

获取有云图像组与无云图像组，通过预设方式对所述有云图像组与无云图像组形成的数据对进行配准，并将配准得到的第一图像组裁切为预设格式的第二图像组，根据所述第二图像组形成训练集，将所述训练集中的有云图像作为网络模型的输入进行训练，并以所述训练集中的无云图像作为训练目标，通过损失函数对所述网络模型进行网络参数训练，得到目标网络模型，所述目标网络模型中包含生成器与鉴别器，所述生成器至少包括注意力循环网络、负残差网络、标准残差块；

获取待处理图像，基于注意力循环网络获取所述待处理图像的注意力图；

根据所述注意力图结合负残差网络对所述待处理图像进行去云处理，得到目标特征图；

基于标准残差块对所述目标特征图进行图像重建，得到无云背景图像；

对所述无云背景图像进行鉴别，得到鉴别结果，以根据所述鉴别结果确定是否对所述待处理图像完成去云处理。

优选地，所述注意力循环网络包括ResNet、LSTM、卷积层，所述基于注意力循环网络获取所述待处理图像的注意力图的步骤包括：

基于所述注意力循环网络中的ResNet对所述待处理图像进行处理，得到第一特征图；

根据所述注意力循环网络中的LSTM对所述第一特征图进行处理，得到第二特征图；

根据所述注意力循环网络中的卷积层对所述第二特征图进行处理，得到所述待处理图像的注意力图。

优选地，所述根据所述注意力循环网络中的LSTM对所述第一特征图进行处理，得到第二特征图的步骤包括：

基于所述注意力循环网络中的LSTM接收所述第一特征图；

获取激活函数，基于所述第一特征图结合所述激活函数对所述LSTM的门进行激活，得到激活数据；

根据所述激活数据对所述LSTM的存储单元与隐藏状态进行更新，得到第二特征图。

优选地，所述根据所述注意力循环网络中的卷积层对所述第二特征图进行处理，得到所述待处理图像的注意力图的步骤包括：