一种基于耦合学习的薄云降质数据集的构建方法

本发明涉及一种基于耦合学习的薄云降质数据集的构建方法，属于遥感影像模拟。

背景技术：

1、薄云是遥感影像中的常见降质因素之一，其限制了遥感影像的数据精度并影响其后续的应用分析潜力。

2、基于深度学习网络的云雾校正算法，是遥感影像质量改善领域的热门研究方向之一，相比于传统算法具有更高的云校正精度及地表保真效果。但是由于此类算法主要通过学习“薄云降质影像”与其配对的“晴空无云影像”间的非线性映射关系，以实现云雾校正，对配对数据具有强依赖性。而现实世界中构建“薄云降质影像&晴空无云影像”数据对的成本十分高昂，所以极大地限制了此类算法的发展及落地应用。对此，实现薄云模拟为薄云校正算法的研究提供数据基础具有十分重要的意义，有利于提升遥感数据的应用潜力。

3、现有的薄云模拟方法主要分为3大类：

4、1）基于计算机模拟的模拟方法；这种方法主要通过随机信号生成方法如perlin噪声、worely噪声等，实现薄云纹理模拟；并通过改变生成频率、振幅等生成参数，叠加旋转、平移、翻转等数值拉伸方法实现形态控制。虽然此类方法可生成无限量的符合视觉效果的薄云图像，但由于其生成过程缺乏真实的薄云参考，其生成结果在数值上存在一定的主观因素，无法完全准确模拟真实世界的薄云。

5、2）基于透射率估算的模拟方法；这种方法主要通过云校正算法如暗通道先验等，从真实的薄云降质数据中估算出透射率后，再依照成像模型将透射率与真实的晴空影像合成为新的降质数据，从而实现“薄云降质-晴空无云”数据对构建。此类方法受限于云校正算法，其模拟的波段有限，且由于依托于真实的降质数据，可模拟的薄云形态也有限。

6、3）基于薄云分离的模拟方法；这种方法主要通过滤波等方法从海洋等低频地表的真实薄云降质影像中实现云分离，后将分离得到的薄云叠加至真实晴空影像上实现数据模拟。受限于真实低频地表降质数据的数量，此类方法也无法实现海量薄云模拟，且缺乏确定的物理成像引导其模拟结果的光谱保真不足。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于耦合学习的薄云降质数据集的构建方法，可通过改变输入的随机算子实现不同形态的多波段薄云模拟，生成无限量的“薄云降质-晴空无云”数据对。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、本发明提供一种基于耦合学习的薄云降质数据集的构建方法，包括：

4、a、获取随机算子；

5、b、将随机算子作为输入，基于训练完成的单波段薄云模拟器输出得到单波段薄云影像；

6、c、将单波段薄云影像通过简化光学散射定律进行波段扩展生成多波段薄云影像，所述简化光学散射定律的表达式为：

7、；

8、其中，为波段的反射率，为波段的中心波长，为卷云波段的中心波长，为卷云波段的反射率，即单波段薄云影像；

9、d、构建晴空无云数据集；

10、e、在晴空无云数据集中任意选择一张晴空无云影像，根据成像模型叠加多波段薄云影像与晴空无云影像得到薄云降质影像；

11、不断改变随机算子，重复操作步骤a~e得到多张薄云降质影像，组合多张薄云降质影像构成薄云降质数据集。

12、进一步的，所述单波段薄云模拟器采用风格生成对抗网络模型，所述单波段薄云降质模拟器包括生成器，所述生成器用于将随机噪声向量生成单波段薄云图像，所述生成器为多层结构，其中，每层结构分别对应不同分辨率的图像，包括依次连接的转置卷积层和激活函数层；

13、所述单波段薄云模拟器还包括与所述生成器的输出端相连的预训练感知模型，所述预训练感知模型用于将单波段薄云图像转换为特征向量；

14、所述单波段薄云模拟器还包括与预训练模型输出端相连的判别器，所述判别器通过预训练感知模型输出的特征向量区分生成器的输出结果为真实影像或生成影像。

15、进一步的，每个所述转置卷积层均引入随机噪声，所述随机噪声与对应所述转置卷积层的输出进行逐元素相加。

16、进一步的，所述单波段薄云模拟器的训练方法，包括：

17、获取云形态数据集，所述云形态数据集为可见光遥感影像的卷云波段数据；

18、对云形态数据集进行预处理得到预处理的云形态数据集；

19、将预处理的云形态数据集作为输入，单波段薄云影像作为输出，对单波段薄云模拟器进行训练；

20、在训练过程中，利用损失函数对单波段薄云模拟器的模型参数进行调整，直至达到预设训练迭代次数，得到训练完成的单波段薄云模拟器。

21、进一步的，所述对云形态数据集进行预处理得到预处理的云形态数据集，包括：

22、对云形态数据集进行筛选，保留捕捉到薄云分布特征并排除厚云、地表和噪声影响的卷云波段影像；

23、利用辐射定标参数对捕捉到薄云分布特征并排除厚云、地表和噪声影响的卷云波段影像进行辐射定标处理，得到辐射定标处理后的卷云波段影像；

24、对辐射定标处理后的卷云波段影像进行图像裁剪，得到多个尺寸为的图像块；

25、根据预设像素阈值剔除图像块中的无云图像块，得到预处理的云形态数据集。

26、进一步的，所述损失函数包括特征损失函数、风格损失函数和对抗损失函数，所述特征损失函数用于计算生成图像与真实图像在感知模型中的特征距离，其表达式为：

27、；

28、其中，为特征损失函数，表示感知模型，为真实图像经感知模型后的输出，为生成图像经感知模型后的输出；

29、所述风格损失函数用于计算生成图像与真实图像在统计空间中的特征距离，其表达式为：

30、；

31、其中，为风格损失函数，为真实图像在统计空间中的均值，为生成图像在统计空间中的均值，为真实图像在统计空间中的协方差，为生成图像在统计空间中的协方差；

32、所述对抗损失函数用于最大化生成图像被判别器判断为真实图像的概率，其表达式为：

33、；

34、其中，为对抗损失函数，表示判别器，为真实图像经判别器后的输出，为生成图像经判别器后的输出。

35、进一步的，所述简化光学散射定律通过利用卷云波段的反射率表征环境参数得到，具体包括：

36、根据耦合散射定律和波段统计方法逐像素计算得到环境参数；

37、将卷云波段的反射率分割为若干个子集，并在子集中计算得出环境参数对应的环境参数统计量；

38、计算环境参数统计量对应处的卷云波段的反射率的均值，并将其记为卷云反射率统计量；

39、对环境参数统计量与卷积反射率统计量进行拟合，得到环境参数统计量与卷云反射率统计量的关系表达式；

40、根据环境参数统计量与卷云统计量的关系表达式，利用卷云波段反射率对光学散射定律中的环境参数进行表征，得到简化光学散射定律。

41、进一步的，所述将单波段薄云影像通过简化光学散射定律进行波段扩展生成多波段薄云影像，包括：

42、改变的取值，根据简化光学散射定律计算得到多个波段 i的反射率，多个波段 i的反射率的组合即为多波段薄云影像；

43、通过简化光学散射定律进行波段扩展后还包括通道偏移后处理，所述通道偏移后处理用于模拟实际成像过程中由于大气运动以及传感器各波段采样时间不一致造成的相位差。

44、进一步的，所述晴空无云数据集的构建方法，包括：

45、获取可见光遥感影像；

46、从可见光遥感影像中筛选出无云覆盖区域的影像，并对其进行辐射定标处理后裁剪为多个尺寸为的图像块，组成晴空无云数据集。

47、进一步的，所述在晴空无云数据集中选择一张晴空无云影像，根据成像模型叠加多波段薄云影像与晴空无云影像得到薄云降质影像，包括：

48、在大气浑浊条件下，所述成像模型的表达式如下：

49、；

50、其中，为传感器接收辐射，即薄云降质影像，为地表反射辐射，即晴空无云影像，为薄云辐射，即多波段薄云影像；

51、在大气晴朗条件下，薄云辐射取值为0，传感器接收辐射等于地表反射辐射，即；

52、在晴空无云数据集中任意选择一张晴空无云影像作为地表反射辐射，并根据成像模型叠加薄云辐射与地表反射辐射，得到薄云降质影像，其中，地表反射辐射即为配对的晴空无云数据。

53、与现有技术相比，本发明所达到的有益效果：

54、本发明针对薄云空间形态各异的特点，通过风格生成对抗网络学习数据隐含表达，实现无限量空间形态模拟；针对薄云在遥感影像上的波段相关性，提出利用双轴交替统计策略拟合薄云反射率与环境参数的相关关系，以简化光学散射定律，实现了高保真光谱特征的合成；

55、本发明通过改变输入的随机算子实现了形态各异的多波段薄云影像的模拟，最终生成无限量的“薄云降质-晴空无云”数据对，为薄云校正算法的研究提供了强大的数据基础，有利于提升遥感数据的应用潜力。