- · 《遥感学报》栏目设置[09/01]
- · 《遥感学报》数据库收录[09/01]
- · 《遥感学报》投稿方式[09/01]
- · 《遥感学报》征稿要求[09/01]
- · 《遥感学报》刊物宗旨[09/01]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
改进网络的光学遥感图像云去除方法(10)
作者:网站采编关键词:
摘要：注：RCless为真实无云遥感图像。下同。Note: RClessis real cloudless remote sensing image. Same below.图4 不同地形下不同损失函数的去云效果Fig.4 Effects of different loss f
注：RCless为真实无云遥感图像。下同。Note: RClessis real cloudless remote sensing image. Same below.图4 不同地形下不同损失函数的去云效果Fig.4 Effects of different loss functions on cloud removal in different topographies
综合表1和图4的结果可以发现，将L1损失和对抗损失相结合得到的复合损失函数能有效提升改进CGAN模型的训练效果，但由于L1损失函数存在稳定性较差，易陷入局部最优解的问题，因此，本研究选取5次重复试验结果加以对比，验证L1损失函数对模型稳定性的影响。5次重复试验的学习率、最大训练次数等参数设置保持相同，结果如表2所示。
表2 模型的稳定性评估Table 2 Assessment of model stability数据集Data setPSNR/dBSSIM 平均值Average方差Variance平均值Average方差Variance 薄云Thin 9 厚云Thick 1
由表2可知，RICE1（薄云）数据PSNR指标的平均值为24.99 dB，方差值为0.007 0 dB；SSIM指标的平均值为0.90，方差值为0.000 9。RICE2（厚云）数据PSNR指标的平均值为22.79 dB，方差值为0.001 6 dB；SSIM指标的平均值为0.82，方差值为0.0021。由此可见，加入的L1损失函数对模型的稳定性没有太大的影响。
3.3 与其他方法对比
为验证本研究方法的改进效果，将其与原始CGAN模型、传统的光学遥感图像去云方法以及深度学习方法进行了对比。由于传统的光学遥感图像去云方法对薄云和厚云所采用的处理方法不同，因此试验分成两部分。首先是在RICE1数据集上将改进CGAN模型与原始CGAN、传统光学遥感图像薄云去云方法中经典的同态滤波方法和小波变化方法以及文献[18]中在遥感图像去雾上取得较好效果的Pix2Pix方法进行薄云去除的对比试验。其次在RICE2数据集上将改进CGAN模型与原始CGAN、以及传统光学遥感图像厚云去云方法中具有代表性的全变分模型方法以及文献[18]中的Pix2Pix方法进行厚云去除的对比试验。
3.3.1 去除薄云效果对比
在RICE1数据集上对比了本研究方法与原始CGAN方法、同态滤波方法、小波变换方法以及Pix2Pix方法，5种方法的去云质量评估结果如表3所示，去云效果如图 5所示。
表3 不同方法的去薄云质量评估Table 3 Assessment of thin cloud removal quality with different methods方法MethodsPSNR/dBSSIM 本研究方法 This 原始CGAN Original 同态滤波法Homomorphic Filtering (HF) 小波变换法 Wavelet Transform (WT) Pix2Pix法 Pix2Pix
由表3可知，在PSNR和SSIM指标上，本研究方法均优于原始CGAN模型和传统薄云遥感图像去云方法（同态滤波方法、小波变换方法），且与深度学习方法（Pix2Pix方法）相比，本研究也取得了较好的结果，说明本研究方法生成的无云遥感图像质量最佳，最接近于真实图像。
注：CI为有云遥感图像。Note：CI is cloudy remote sensing image.图5 不同地形下不同方法的去薄云效果Fig.5 Effects of different methods on thin clouds removal in different topographies
从图5的对比效果中可以看出在对比的5中方法中本研究方法的去云效果最好，能有效去除薄云并较好的还原植被和山地的信息，植被的色彩更为真实，山脉的走势和轮廓细节也能很好的体现。其中，同态滤波方法的去云效果最差，处理后的光学遥感图像颜色出现严重失真，小波变换方法和原始CGAN模型方法相较于同态滤波方法在颜色失真问题上有了一定的改善，但有较多的云层残留。Pix2Pix方法是除本研究方法外效果最好的，但其去云后的光学遥感图像在颜色上仍存在失真现象且有少量云影残留。
3.3.2 去除厚云效果对比
在RICE2数据集上对比了本研究方法与原始CGAN方法、全变分模型方法和Pix2Pix方法，4种方法的去云质量评估结果如表4所示，去云效果如图6所示。
由表4可知，本研究方法在PSNR指标和SSIM指标上依旧获得了最高的指标值，分别为22.79 dB和0.82，证明了本研究方法去除光学遥感图像中厚云的有效性。
表4 不同方法的去厚云质量评估Table. 4 Assessment of thick cloud removal quality with different methods方法MethodsPSNR/dBSSIM 本研究方法This 原始CGAN Original 全变分模型Total Variation (TV) model Pix2Pix方法Pix2Pix
从图6的对比效果中可以看出原始CGAN方法、全变分模型和Pix2Pix方法在一定程度上能将厚云层覆盖下的地物显现出来，但图像细节信息缺失且在原云层的覆盖区域留有较多的伪影，而使用本研究方法去云后的光学遥感图像没有云层和伪影残留，图像中的地物特征也更为清晰，相较于其他3种方法，去除厚云的效果最好。
综合在RICE1和RICE2数据集上的试验结果可知，本研究方法在薄云光学遥感图像和厚云光学遥感图像上均有良好的去云效果，且相较于原始CGAN方法去云效果有了大幅提高，在薄云和厚云光学遥感图像上PSNR值分别提升了1.64和1.05 dB，SSIM值分别提升了0.03和0.04。此外，与传统去云方法和Pix2Pix方法相比可以更为准确的对光学遥感图像中的地物信息进行恢复，具有更好的去云效果。
文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/548.html