本发明属于图像处理领域，涉及一种基于卷积-反卷积网络的遥感图像薄云去除方法。
背景技术：
通常情况下，由于遥感对地观测系统的辐射传输过程中存在大气的散射和吸收作用，特别是当大气中有薄云存在时，薄云是指云层较薄，能够被太阳光穿透的各类云，散射和吸收作用有一定程度的增强。遥感图像中被薄云覆盖的区域不仅地表特征而且包括薄云信息，降低了卫星遥感图像的成像质量和信息精度，限制了其后期应用。当进行薄云移除时相应的地表特征也必定会受到直接影响，而且薄云的不均匀分布特性使得去除过程中会破坏图像无云区域的光谱特性而导致严重的辐射扭曲问题。所以，迫切的需要一种算法实现有云区域的去除和无云区域的保真。
从薄云在遥感图像中的特征出发，将现有薄云去除算法分为三类：基于滤波的算法、基于光谱特征的算法和基于图像转换的算法。基于滤波的算法将图像转换到频率域后，由于滤波操作不可避免的去除了一些有用的信息，从而降低了图像的保真度，而且截止频率的选择不当也会直接影响云的去除效果。基于光谱特征的算法利用薄云与地物的光谱响应差异，建立相应的经验或者物理模型关系，从而消除薄云影响。但是这些经验关系和物理模型参数的确定通常需要很多辅助数据的支持，精确度有待提高。基于图像转换的算法通过有效的图像转换手段，把各个波段中的云信息转换到特定维度的“云成分”后对其进行去除，但是该类方法的去云精度和适用范围较为严格，无法进行广泛的应用。
近些年来，基于深度神经网络的方法在图像处理和计算机视觉等领域展现出了杰出的优势，应用范围涵盖了高级图像识别、中低级图像处理等诸多方面，例如目标检测、分类、跟踪和图像恢复、去噪、重建等等。其中，基于卷积-反卷积神经网络的方法更是实现了从图像级理解到像素级理解的巨大跨越，使得端对端的像素级处理成为可能。因此，可以通过这种基于卷积-反卷积网络结构，自主学习到遥感图像的深层次特征，上采样恢复后实现图像的相关处理。
技术实现要素：
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于卷积-反卷积网络的遥感图像薄云去除方法，解决对地遥感观测系统中由于薄云的影响而造成的图像成像质量降低、信息精度受损的问题，以实现遥感图像有云区域的去除和无云区域的保真效果。
技术方案
一种基于卷积-反卷积网络的遥感图像薄云去除方法，其特征在于步骤如下：
步骤1、获取数据：以遥感卫星landsat8在一个重访周期采集到的两幅图像，设为同一地区不同时间点的多时相实验数据，其中，一幅图像干净无云，称为无云图像，另外一幅图像有薄云笼罩，称为有云图像；
步骤2、预处理实验数据：采用envi5.3软件的registration功能对云图像与无云图像进行配准；再分别将有云图像和无云图像以步长128分割为256*256大小的图像块集合，将有云图像块与对应位置的无云图像块组合成训练样本对；
步骤3、训练网络模型：将训练样本对作为网络模型的输入进行训练，其中，以无云图像块集合作为训练目标，以其对应的同源有云图像块集合作为训练数据，进行多层网络参数训练，不断学习有云与无云图像块之间的映射关系，直至网络收敛；
所述网络模型的网络结构由多个对称的卷积-反卷积层链式组成，实现端对端的处理，其中前五层卷积层称为卷积子网络层，作为特征提取层对图像内容进行编码，学习图像深层次的特征；后五层反卷积层称为反卷积子网络层，用于上采样恢复图像细节；
步骤4、生成去云图像：将待处理的有云图像输入到已经训练好的网络模型中，通过网络的前向传播得到输出结果，即为该图像经过该网络实现的薄云去除操作后的去云图像。
有益效果
本发明提出的一种基于卷积-反卷积网络的遥感图像薄云去除方法，采用的网络结构由多个对称的卷积-反卷积层链式组成，可分为卷积子网络层和反卷积子网络层，子层内每级网络结构后都加上relu单元进行修正。其中，卷积子网络层作为特征提取层在对图像内容的主要成分进行编码的同时消除薄云的影响，随后其对称的反卷积子网络层作为可学习的上采样层，对得到的抽象特征进行解码，以恢复图像内容的细节组成成分，最后反卷积层的输出即为处理得到的无云图像。
本发明通过卷积-反卷积网络结构的参数训练，提取深层次的图像特征，自主学习多时相有云、无云数据之间的映射关系，以达到薄云去除的目的。实验结果表明，本发明与传统的薄云去除方法相比，不仅能够准确的恢复有云区域的信息，而且能够维持无云区域的保真度，薄云去除效果更好、精度更高。
附图说明
图1：基于卷积-反卷积网络的遥感图像薄云去除方法流程图
图2：卷积-反卷积网络结构示意图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
步骤1：获取实验数据。本发明采用的实验数据是遥感卫星landsat8在相隔最短时间内(即一个重访周期)采集到的两幅图像，属于同一地区不同时间点的多时相实验数据。其中，一幅图像干净无云，称为无云图像，另外一幅图像有薄云笼罩，称为有云图像。由于采集时间间隔短，地表特征变化相对较小，无明显差异，这一组多时相数据可用于后期网络结构的训练。
步骤2：预处理实验数据。因实验数据是遥感卫星采集到的多时相数据，虽然属于同一地区但是采集时间不同，在匹配程度上存在误差。为保证数据的精确性，在应用之前首先需要对其进行配准，确保像素级的匹配。在本发明中，有云图像与无云图像的配准采用envi5.3软件的registration功能实现。配准之后再分别将有云图像与无云图像以固定的步长分割为一定大小的图像块集合，本发明选取的步长为128，图像块大小为256*256。然后在有云图像与无云图像中分别选取对应位置的有云图像块、无云图像块组合成训练样本对。
步骤3：训练网络模型。将生成的训练样本对作为网络模型的输入进行训练。其中，无云图像块集合作为训练目标，以其对应的同源有云图像块集合作为训练数据，进行多层网络参数训练，不断学习有云与无云图像块之间的映射关系，直至网络收敛。鉴于薄云去除问题属于图像处理领域像素级问题，该发明的网络结构由多个对称的卷积-反卷积层链式组成，实现端对端的处理。以遥感数据的三个波段作为模型输入，例如4，3，2波段，输出为同等大小、同等波段数的图像。本发明的网络结构分为11层，如图2所示，其中，前5层卷积层称为卷积子网络层，作为特征提取层对图像内容进行编码，学习图像深层次的特征，后5层称为反卷积子网络层，用于上采样恢复图像细节。前5层卷积子层所采用的卷积核尺寸为3*3，featuremap数量为64。第6层卷积层所采用的卷积核尺寸为1*1，featuremap数量为64。反卷积子层的卷积核尺寸为3*3，featuremap数量为64。在每一层卷积之后均采用relu函数作为激活函数。同时，整个网络结构中卷积核的初始化值均服从均值为0，标准差为0.05的正态分布。
步骤4：生成去云图像。在完成网络模型的训练之后，将待处理的有云图像作为输入，通过网络的前向传播得到输出结果，即为该图像经过薄云去除操作后的去云图像。
本发明通过卷积-反卷积网络结构的参数训练，自主学习多时相有云、无云数据之间的映射关系，在提取深层次图像特征的同时恢复图像细节，以达到薄云去除的目的。实验结果表明，本发明与传统的薄云去除方法相比，不仅能够准确的恢复图像中有云区域的信息，而且能够维持无云区域的保真度，薄云去除效果更好、精度更高。