[发明专利]一种顾及特征冗余性的生成对抗云仿真生成方法

说明书

本发明公开了一种顾及特征冗余性的生成对抗云仿真生成方法，其特征在于：设置用于仿真云的生成对抗网络，所述生成对抗网络包括判别网络和生成网络，所述生成网络包括编码器和解码器，解码器中嵌入有特征通道选择器；进行将底图以及云掩膜堆叠后输入生成网络中的编码器部分，对输入的影像和云掩膜进行处理，生成高维度特征；生成网络中的解码器部分，在每一个特征大小尺度上都嵌入特征通道选择器模块对特征进行筛选；将生成网络生成的粗结果输入到判别网络中，得到仿真结果的真实性判断结果；在训练完成后，使用判别网络中的编码器以及解码器进行云仿真。本发明能够根据输入的无云底图以及云掩膜生成指定区域存在云雾的仿真影像。

技术领域

本发明涉及图像处理领域，尤其是一种顾及特征冗余性的生成对抗云仿真生成方法系统。

背景技术

遥感影像的云雾仿真生成技术广泛应用于重要目标遮蔽、大气反演等领域。主要可分为基于真实物理模型生成云雾的方法和基于随机噪声以及神经网络的仿真云雾的方法。虽然基于云雾生成规律的物理模型仿真出来的云雾更加真实，但是由于所涉及到的方法有很强的专业性，并且对于参数的选择有严格的限制，所以利用真实物理模型进行云雾仿真的难度较高，增加了云雾仿真的成本。基于随机噪声的云雾仿真生成方法能够通过利用随机噪声仿真生成云雾，具备简单快捷的优点，但是生成的云雾往往真实性不足，云雾特点较为单一。

因此，针对上述问题，本发明设计了一种顾及特征冗余性的生成对抗云仿真生成方法，该方法采用嵌入特征筛选模块的生成对抗网络，综合利用判别网络以及生成网络之前的相互迭代对抗学习实现真实云雾的仿真生成。同时，为了能够选择性剔除生成网络生成的特征中存在的噪声与冗余信息，本发明还设计了特征选择模块筛选特征中的重要信息，实现特征的筛选与再增强，提高仿真云的真实性。

发明内容

针对上述问题，本发明提出了一种顾及特征冗余性的生成对抗云仿真生成方法。

本发明提供一种顾及特征冗余性的生成对抗云仿真生成方法，设置用于仿真云的生成对抗网络，所述生成对抗网络包括判别网络和生成网络，所述生成网络包括编码器和解码器，解码器中嵌入有特征通道选择器；进行以下步骤，

1)将底图以及云掩膜堆叠后输入生成网络中的编码器部分，对输入的影像和云掩膜进行处理，生成高维度特征；

2)生成网络中的解码器部分，在每一个特征大小尺度上都嵌入特征通道选择器模块对特征进行筛选；

3)将生成网络生成的粗结果输入到判别网络中，得到仿真结果的真实性判断结果；

4)在训练完成后，使用判别网络中的编码器以及解码器进行云仿真。

而且，生成网络的编码器中，将堆叠的图像输入，经过两次“3*3卷积、批归一化以及激活函数ReLu”处理操作得到处理后的特征，并对特征进行最大池化，特征尺寸降为原来的1/2；

重复以上处理4次，得到卷积特征图。

而且，生成网络的解码器中，将通过特征通道选择器重筛选和增强的特征输入到后续处理部分，包括经过3*3卷积、批归一化、激活函数ReLu得到变化后的特征，然后经过2*2的上采样、3*3的卷积得到上采样后的特征；通过将编码器在对应阶段的特征与该阶段的特征进行堆叠，保证特征信息不丢失，再将堆叠后的特征依次输入到通道特征选择模块、3*3卷积以及激活函数ReLu中，得到经过选择的特征；

重复以上处理3次，直到特征大小恢复为原图像大小，最后经过一次卷积和激活函数sigmoid得到带有云的粗结果。

而且，所述特征通道选择器包含全局自适应池化Global Pooling、两个全连接层FC、一个激活函数ReLu以及一个激活函数sigmoid，处理过程如下，