[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

说明书

本发明提出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，属于遥感影像处理领域，为解决传统算法鲁棒性差、恢复效果不符合遥感影像视觉特征的问题。所述深度神经网络方法在高分辨率遥感影像去云任务的速度与复原效果上达到了平衡；使用卷积核大小变化范围更大的多尺度上下文卷积减小模型所需的内存和算法的处理时间；并且在多尺度卷积前以剩余连接的方式拼接了带有通道注意力模块的细粒度卷积增加网络的特征提取能力；本发明更真实、更符合实际场景的专用于高分辨率遥感影像去云任务的数据集，无论哪种网络模型，在该数据集上训练得到的网络权重都具有更高的适应性和更强的鲁棒性。

技术领域

本发明涉及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及方法，属于遥感影像处理领域。

背景技术

遥感影像中存在大量的云噪声，云的存在极大降低了遥感影像的利用率，增加了遥感技术成本。云的明亮效果和云影的暗化效应影响多种数据分析，导致许多遥感活动出现问题，包括不准确的大气校正，归一化差异植被指数值的偏差估计，土地覆盖错误分类，以及土地覆盖变化的错误检测。在大多数应用任务中，减少模型计算所需的资源对许多个人训练来说是十分友好的。尤其在诸如军事活动、灾害防治等应用场景中，快速的完成去云工作具有更加重大的意义。

早期的去云雾方法主要有基于影像处理的去雾算法、基于大气物理模型的图像复原方法。基于影像处理的去雾算法大多以颜色恒常性与亮度恒常性为基础，通过增加影像对比度达到突出图像中有用信息的作用，无法应对复杂的情况变化。基于大气物理模型的图像复原方法利用大气传输模型，通过求解影像降质物理过程的逆过程来恢复清晰影像。在实际应用中假定的先验知识很容易与实际情况不一致，这就会导致传输近似不准确，所以无法很好地执行去云雾任务。后来的机器学习通过对海量数据的提取与训练可以适应多变的情况，但是仍存在恢复视觉效果差、光晕、处理速度慢和计算资源占用高等问题。另外专用于高分辨率遥感影像去云任务的数据集并不多，还存在丰富度不高、云噪声形态过于单一的问题

发明内容

为了解决现有去云算法的恢复效果差、计算资源消耗巨大且计算时间过长的弊端的问题，本发明提出了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，本发明的具体方案如下：

方案一：一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系统，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。

进一步地，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。

方案二：一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，是基于方案一所述的系统为基础而实现的，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；