[发明专利]基于生成对抗网络的光学遥感影像去云雾方法和系统

说明书

本发明涉及基于生成对抗网络的遥感影像去云雾方法和系统，包括步骤：获取若干历史的光学遥感影像及其对应的SAR影像，制作样本库，所述样本库包括云掩膜样本库、去云样本库；使用云掩膜样本库对FCN模型进行训练，以构建云掩膜生成模型；使用去云样本库对pix2pix模型进行训练，以构建去云模型；获取实时的有云光学遥感影像及其对应的SAR影像，输入所述云掩膜生成模型和去云模型，得到去除云雾的光学遥感影像。本发明建立了云掩膜样本库、去云样本库，分别构建云掩膜生成模型和去云模型，实现SAR影像辅助下光学遥感影像地物复原和重建，能够满足光学遥感影像尤其是厚云状态下的去云雾需求。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于生成对抗网络的遥感影像去云雾方法和系统。

背景技术

光学遥感影像具有高分辨率、多光谱、易于处理等优势，但易受到云、雾、雨等天气条件的干扰，从而影响图像的质量和效果。光学遥感影像去云雾是遥感影像图像处理中的一个重要领域，在过去的几十年间，研究者们提出了各种不同类型的方法来解决这一问题，包括基于统计估计的方法、基于物理模型的方法、基于多时相数据的方法以及基于深度学习的方法。

基于统计估计的方法：建立基于灰度值统计的数学模型，利用相邻像元之间灰度值的相关性预测云雾像元的灰度值，但此方法主要适用于薄云处理，当光学遥感影像中有大片厚云覆盖时，该类方法不可用。

基于物理模型的方法：基于大气光学原理、成像原理等物理过程建立数学模型，通过图像分析和参数反演等方法去除云雾信息，但此类方法往往需要大量气象数据，计算量大且依赖特定场景，准确性低。

基于多时相数据的方法：利用多幅同时相光学遥感影像序列信息，在不同时间点构建覆盖率模型，采用差值法或变差法等技术手段去除云雾信息，此类方法需要充足的多时相数据，样本选择和分类成本较高。

基于深度学习的方法：一般采用临近时相的有云和无云的光学遥感影像进行训练，构建转换模型，该类方法往往对厚云特征提取精度不高。

因此，还需一种能够有效去除光学遥感影像中薄云和厚云的方法。

发明内容

本发明的目的在于有效去除光学遥感影像中薄云和厚云，提供一种基于生成对抗网络的遥感影像去云雾方法和系统。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

基于生成对抗网络的遥感影像去云雾方法，包括以下步骤：

步骤1，获取若干历史的光学遥感影像及其对应的SAR影像，制作样本库，所述样本库包括云掩膜样本库、去云样本库；

步骤2，使用云掩膜样本库对FCN模型进行训练，以构建云掩膜生成模型；

步骤3，使用去云样本库对pix2pix模型进行训练，以构建去云模型；

步骤4，获取实时的有云光学遥感影像及其对应的SAR影像，输入所述云掩膜生成模型和去云模型，得到去除云雾的光学遥感影像。

更进一步地，所述步骤1具体包括以下步骤：

获取若干光学遥感影像，选取其中4、5、6、7、8、12六个波段的光学遥感影像；获取光学遥感影像对应的SAR影像，选取SAR影像的极化方式为VV和VH；

对光学遥感影像和SAR影像进行几何校正、辐射定标、投影变化、空间配准、亮度均衡的预处理；

采用滑动窗口对光学遥感影像按照512*512的尺寸进行裁剪，滑动窗口的重叠度为5，得到不同时相、不同地物类型的光学遥感影像样本和对应的SAR影像样本；

将裁剪后的光学遥感影像样本划分为有云光学影像和无云光学影像，对其中有云光学影像中的云雾进行人工矢量勾绘，并将勾绘的矢量数据进行二值化处理生成云掩膜标签；