農(nóng)業(yè)生產(chǎn)中使用的光學(xué)遙感圖像在采集過程中時常受到云層的影響,導(dǎo)致獲取到的圖像清晰度低,影響地物信息的判讀和后續(xù)的使用。針對這一問題,提出一種基于改進條件生成對抗網(wǎng)絡(luò)(ConditionalGenerativeAdversarial Net-work,CGAN)的光學(xué)遙感圖像去云方法。首先,在原始CGAN的生成器中引入空間池化層,通過增加網(wǎng)絡(luò)的多尺度特征學(xué)習(xí)能力以提高生成圖像的細(xì)節(jié)信息;其次,在改進CGAN網(wǎng)絡(luò)中加入回歸損失使生成圖像與真實圖像更加接近,進一步提高生成效果。在光學(xué)遙感圖像數(shù)據(jù)集上的試驗結(jié)果表明:相比原始CGAN,改進CGAN生成的無云光學(xué)遙感圖像更接近真實無云光學(xué)遙感圖像,與原始CGAN相比,改進CGAN在薄云和厚云光學(xué)遙感圖像上的峰值信噪比(Peak Signal-to-NoiseRatio,PSNR)分別提升了1.64和1.05dB,結(jié)構(gòu)相似性(StructuralSIMilarity,SSIM)分別提升了0.03和0.04。同時,相較于傳統(tǒng)的去云方法和深度學(xué)習(xí)的Pix2Pix方法,該方法在光學(xué)遙感圖像去云和保真上均取得了更好的效果。研究結(jié)果證明了改進的CGAN方法實...

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 基于改進CGAN的光學(xué)遙感圖像去云方法
    1.1 CGAN原理
    1.2 多尺度特征融合和空間金字塔池化
    1.3 CGAN模型改進
        1.3.1 生成器
        1.3.2 判別器
        1.3.3 損失函數(shù)設(shè)計
    1.4 模型訓(xùn)練
    1.5 評價指標(biāo)
2 試驗數(shù)據(jù)集
3 結(jié)果與分析
    3.1 生成器網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化對模型性能影響
    3.2 損失函數(shù)優(yōu)化對模型性能影響
    3.3 與其他方法對比
        3.3.1 去除薄云效果對比
        3.3.2 去除厚云效果對比
4 結(jié)論



本文編號：3766298