Thin cloud removal in optical remote sensing images based on generative adversarial networks 论文翻译

2020

论文名称：基于生成对抗网络和云变形物理模型的光学遥感图像薄云去除

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0924271620301787

摘要

云层污染是一个不可避免的问题光学遥感图像。与厚云不同，薄云不会完全遮挡背景，这使得恢复背景信息成为可能。本文提出了一种基于生成对抗网络(GANs)和云变形物理模型(CR-GAN-PM)的半监督去薄云方法。本文还定义了一个考虑云吸收的云畸变物理模型。值得注意的是，许多基于深度学习的最先进方法需要来自同一区域的成对云和无云图像，而收集这些图像通常是不可用的或耗时的。CR-GAN-PM有两个主要步骤:首先，基于GANs和图像分解原理，从输入的有云图像中分解出无云背景和云失真层；然后，通过将这些层放入重新定义的云变形的物理模型中来重建输入的云图像。分解过程确保分解的背景层是无云的，重建过程确保生成的背景层与输入的有云图像相关。在哨兵-2A图像上进行了实验，以验证所提出的CR-GAN-PM。对所有测试图像进行平均，CR-GAN-PM的SSIMs值(结构相似性指数测量)在可见光和NIR波段分别为0.72、0.77、0.81和0.83。这些结果类似于基于端到端深度学习的方法，并且优于传统方法。输入波段数和超参数值对CR-GAN-PM的性能影响不大。实验结果表明，CR-GAN-PM对不同波段的薄云去除都是有效和鲁棒的。

介绍

        随着遥感技术的发展，越来越多的高时间、空间和光谱分辨率的卫星图像不断被获取。遥感图像的应用发展迅速，如环境监测(Mueller et al .，2016，Novo-Fernández et al .，2018)，目标检测(Deng et al .，2018)，土地覆盖分类(Zhang et al .，2019)。这些应用中有许多是基于光学遥感数据的。然而，云层总是在视觉上和数量上影响数据。

        厚厚的云层可能会阻挡来自地表的所有电磁信号，这使得很难恢复背景信号(李等人，2019c)。多种厚云去除方法中经常用到多时相影像(李等，2014，Poggio等，2012