改进网络的光学遥感图像云去除方法(11) - 遥感学报杂志社投稿_期刊论文发表|版面费|电话|编辑部|论文发表- 遥感学报

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(11)

作者:

关键词:

摘要：

图6 不同地形下不同方法的去厚云效果Fig.6 Effects of different methods on thick clouds removal in different topographies

4 结论

本研究结合多尺度融合的思想，构建了一种基于改进CGAN的光学遥感图像去云模型，并对模型的有效性进行验证，得到以下结论：

1）相较于原始CGAN模型中使用Unet结构的生成器，改进CGAN模型中使用的带有空间金字塔池化结构的生成器可以更好的提取图像的特征信息，生成的无云光学遥感图像的PSNR值和SSIM值更高，图像质量更好。

2）在原始CGAN模型的损失函数的基础上加入L1回归损失函数可以提升模型的性能与训练效果，使得生成的无云光学遥感图像与真实无云遥感图像具有更高的结构相似性；

3）本研究提出的改进CGAN模型在RICE1（薄云）数据集上的PSNR值为24.99 dB，SSIM值为0.90，在RICE2（厚云）数据集上的PSNR值为22.79 dB，SSIM值为0.82。与原始CGAN方法和传统光学遥感去云方法相比有明显提升，与深度学习去云方法相比也有了一定的改善，而且图像中云层信息的去除更为彻底，恢复的无云光学遥感图像地物细节更为真实、清晰。

文章来源：《遥感学报》网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/548.html