Aufgrund von Beschränkungen durch das Bildgebungsverfahren, Sensoren und andere Faktoren sind hochauflösende Satellitenbilder anfällig für Wolkenstörungen, die die Bildqualität und die nachfolgende intelligente Interpretation erheblich beeinträchtigen. Aufgrund seiner leistungsstarken Fähigkeit zur Merkmalslernen wurden in den letzten Jahren Methoden des tiefen Lernens weit verbreitet bei der Beseitigung von Wolkenstörungen auf Satellitenbildern angewendet. Angesichts der Tatsache, dass aktuelle Methoden zur Beseitigung von Wolkenstörungen auf Satellitenbildern oft Schwierigkeiten haben, die Texturdetails der Bildkanten zu bewahren, schlägt dieser Artikel einen Wolkenentfernungsalgorithmus auf der Grundlage von generativen gegnerschaftlichen Netzwerken unter Verwendung eines Aufmerksamkeitsmechanismus vor. Zunächst wird ein Fourier-Restmodul entworfen, um die Residueninformationen niedriger und hoher Frequenz der Wolken schicht in den Bildern zu integrieren; dann werden mit Hilfe eines Aufmerksamkeitsmechanismus aus Kanälen und Räumen Informationen zur räumlichen Verteilung der Wolkenlagen erhalten und die Wolkenentfernung wird geleitet; schließlich wird das Modell unter einer gemeinsamen Verlustfunktion trainiert, um die Konsistenz des Inhalts zwischen generierten und realen Bildern sicherzustellen. Die Ergebnisse der Experimente mit dem Satellitenbild-Datensatz RICE zeigen, dass die vorgeschlagene Methode zur Wolkenentfernung in Satellitenbildern auf der Grundlage des Aufmerksamkeitsmechanismus und generativen gegnerschaftlichen Netzwerken effektiv die Texturdetails der Bildkanten bewahren kann und hervorragende quantitative und visuelle Ergebnisse erzielt.

Wolkenentfernung in Satellitenbildern; Fourier-Rest; Kanal- und Raum-Aufmerksamkeit; generatives gegnerschaftliches Netz; räumliche Verteilung von Wolken