[发明专利]一种面向深度学习的16位遥感影像到8位图像映射方法

说明书

本发明公开了一种面向深度学习的16位遥感影像到8位图像映射方法。该方法可以排除异常像素值对图像实际有效取值范围的影响，能够在提升图像亮度、对比度和清晰度的同时确保转换后的图像更接近于原始图像；有助于提升遥感影像的可视化效果和人机交互处理效率，促进基于遥感影像的深度学习模型实现跨传感器迁移应用。本发明可以自适应地实现16位遥感影像到8位图像的高效映射，映射结果与原始图像的亮度、对比度和清晰度更加契合，且对现有的深度学习模型具有良好的兼容性，为海量异构的遥感数据的快速转换及其在深度学习领域的应用提供了重要的技术支撑，对深度学习与遥感领域的交叉融合发展具有重要的参考意义。

技术领域

本发明属于计算机科学技术领域，具体涉及一种面向深度学习的16位遥感影像到8位图像映射方法。

背景技术

随着人工智能技术的快速发展，深度学习算法逐渐在遥感领域普及。然而遥感影像通常基于16位深度进行存储，再进行目视解译、快速标注和高效计算等后期处理时存在诸多不便。而且不同传感器拍摄的遥感影像，其实际有效取值范围会分布在不同的范围区间。这限制了模型的可移植性，即基于特定传感器数据训练的模型很难在其他传感器图像上进行迁移应用。深度学习常用的自然图像(RGB三通道图像)一般基于8位深度存储，每个通道中像素的取值范围为0-255。相比于取值范围为0-65535的16位图像，8位的图像可以有效节省存储空间、便于可视化、易于人机交互式处理、适用于广泛的深度学习模型。在遥感与深度学习领域的快速融合发展的背景下，16位的遥感影像映射为8位存储已然成为一种主流方式。

目前许多基于遥感影像的开源数据集均使用8位图像进行存储，如遥感影像细粒度目标识别数据集FAIR1M、DOTA数据集等。现有遥感影像数据集常用的图像映射方法有百分比线性拉伸、分段拉伸、对数变换、指数变换、基于直方图的色彩映射等。但是16位到8位的位深转换属于高精度到低精度的映射操作，不可避免地会造成信息丢失。现有方法在16位到8位的图像映射中已经表现出了许多问题，如明亮区域曝光过度、暗区域像素值异常、对比度降低等。因此，如何同时确保转换后图像亮度、对比度和清晰度处于合理范围内，仍是一个有待完善的问题。

发明内容

针对现有技术不足，本发明提供一种面向深度学习的16位遥感影像到8位图像映射方法。该方法基于原始图像的均值和标准差自适应求取该图像的最大值和最小值以排除掉离群的异常值，从而重新划定该图像的像素取值范围，以便在该取值范围的指导下实现16位图像到8位图像的映射。同时，针对普遍存在的图像对比度损失现象，基于直方图规定化和图像去雾方法相结合的方式对映射得到的图像进行对比度较正，最终得到与原始图像可视化效果更为接近的8位图像。

为了达到上述目的，本发明提供的技术方案是一种面向深度学习的16位遥感影像到8位图像映射方法，包括以下步骤：

步骤1，对遥感影像进行预处理，并导出为16位图像；

步骤2，求取16位图像的均值和标准差；

步骤3，求取适应于16位图像的最大值和最小值；

步骤4，根据步骤3求得的最大值、最小值，将16位图像映射为8位图像；

步骤5，对步骤4得到的8位图像执行直方图规定化处理；

步骤6，对步骤5处理后的图像进行基于暗通道去雾的后处理；

步骤7，写入地理信息，并应用于深度学习任务。

而且，所述步骤1中对收集的遥感影像执行去云预处理，将预处理后的影像的红、绿、蓝三个波段合成真彩色图像，并将其导出为GeoTIFF格式的16位图像，下载到本地计算机中。

而且，所述步骤2中均值和标准差的计算方式如下：