[发明专利]一种基于多尺度卷积和注意力的遥感影像去云残差神经网络系统、方法、设备及存储介质

权利要求书

1.一种基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络方法，是基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络系统为基础而实现的，该系统包括输入模块、数据增强模块、增维模块、细腻特征模块、多尺度卷积模块、降维模块和输出模块；上述模块为递进关系完成逻辑链接；

其中输入模块负责采集遥感影像数据；数据增强模块用于对输入模块得到的遥感影像数据增强操作提高丰富度；增维模块负责将遥感影像数据提高维度；细腻特征模块负责将裁剪遥感影像；多尺度卷积模块负责遥感影像中去除噪声；降维模块负责降低维度；输出模块用于最后输出去云影像完成基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络系统；

细腻特征模块包括平均池层子模块、卷积子模块、RELU子模块和Sigmod子模块，其中所述细腻特征模块包含至少两个所述卷积子模块和RELU子模块，所述卷积子模块用于接收所述RELU子模块生成的数据加以计算，其特征在于：该方法的具体步骤如下：

S101，利用所述输入模块从训练数据集中获取图像数据；

S102，对成高分辨率遥感图像数据进行增强操作，并裁剪至相同大小，得到增强后的数据集对；

S103，通过所述增维模块中的预处理操作，将三维特征转换成多维信息的特征；

S104，将预处理操作获得的高维特征输入细腻特征模块中，提取出图像的细节信息；利用所述细腻特征模块，计算得出注意力权重矩阵；

S105，将所述细腻特征模块中提取出的特征再输入多尺度卷积模块中，根据不同大小的卷积核具有不同大小的感受野对权重矩阵进行卷积操作，得到无云影像；

S106，在使用训练集数据的过程中，计算步骤S103-S105处理后的无云影像与PRSC数据集中对应的清晰影像两者之间的损失函数大小；反向传播调整网络参数直到满足清晰度要求；使用验证集数据，验证PSNR和SSIM指标大小，循环训练直至达到所述指标大小，将神经网络权重参数更新为此时数据的权重参数，完成高分辨率遥感影像去云残差操作；

步骤S104细腻特征模块的具体细节为，首先使用内核大小为3的卷积来提取更多细粒度的特征；在两个卷积之间添加了RELU激活函数；

所述不同大小的卷积核以大小为3*3的卷积核为基础，所述计算权重矩阵的过程是通过通道注意力机制完成计算，并针对不同通道分配相应的注意力大小；

对于通道注意力模块为，使用全局平均池层将全局空间信息转化为信道描述符；

其中表示平均池操作，表示原始输入信息，H、W为图像的分辨率大小，表示在（i,j）位置处第c维度值的大小，最终的通道注意力矩阵的计算方式为：

其中代表通过通道注意模块获得的结果，C代表卷积层，σ是激活函数，Fc代表原始输入。

2.根据权利要求1所述的一种基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络方法，其特征在于：在步骤S101中，获取图像数据过程指获取成对的高分辨率遥感图像；所述的训练数据集指PRSC数据集。

3.根据权利要求2所述的一种基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络方法，其特征在于：在步骤S102中，所述的增强操作具体指从训练数据集中读取成对高分辨率遥感图像后，进行随机翻转，通过在遥感图像任意位置进行裁剪，为指定大小的图像对增加数据集的多样性。

4.根据权利要求3所述的一种基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络方法，其特征在于：在步骤S103中，所述的多维信息指至少64维的维度信息。

5.根据权利要求4所述的一种基于多尺度卷积和通道注意力机制的高分辨率遥感影像去云残差神经网络方法，其特征在于：所述的循环卷积过程，具体通过所述RELU子模块中应用RELU函数将非线性数据转换后的线性数据，进而进行权重矩阵卷积；由所述Sigmod子模块中的Sigmod算法将非线性数据最终转换为线性数据。