- · 《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]
改进网络的光学遥感图像云去除方法(5)
作者:网站采编关键词:
摘要: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
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。
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;
文章来源:《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/548.html