Die Okklusion durch Wolken ist eine langfristige Herausforderung bei der Verarbeitung optischer Fernerkundungsbilder, herkömmliche Methoden zur Entfernung von Wolken haben oft Schwierigkeiten, die detaillierten Informationen in den verdeckten Bereichen vollständig wiederherzustellen, was die Bildqualität beeinträchtigt. Um dieses Problem zu bewältigen, schlägt dieser Artikel eine Methode zur Wolkenentfernung basierend auf der Konsistenz multimodaler Merkmale (Cloud-Harmonizer) vor, die die Komplementarität und Konsistenz von optischen und Radarbildern bei der Darstellung von Geländemerkmale für eine effektive Wiederherstellung von Informationen im Wolkenbereich voll ausnutzt. Diese Methode besteht aus drei Hauptmodulen: Das Modul zur konsistenten Verarbeitung multimodaler Merkmale (MFCM) wird zur Ausrichtung optischer und Radarmerkmale verwendet, um differenzielle Aufmerksamkeit in Cloud-Bereichen zu erfassen und zu generieren; das Modul zur Kompensation von konsistenten Einschränkungen (CCCM) kompensiert Radarinformationen unter Verwendung differenzieller Aufmerksamkeit und leitet diese an, um fehlende optische Merkmale auszugleichen; das multimodale kooperative adaptive Fusion-Modul (MCAF) integriert die beiden Modalitätsmerkmale weiterhin durch eine adaptive Fusionsstrategie, um die Gesamtwiederherstellungseffizienz zu verbessern. Die Experimente mit dem SEN12MS-CR-Datensatz zeigen, dass diese Methode eine ausgezeichnete Leistung bei den Indikatoren PSNR, SSIM und SAM hat, jeweils bei 30,0408; 0,9004; und 7,6068, was die aktuellen fortgeschrittenen Methoden übertrifft. Die Experimente zeigen, dass die Methode dieses Artikels ein starkes Potenzial bei der Wolkenentfernung und Merkmalswiederherstellung aufweist und nützliche Referenzen für die Anwendung der multimodalen Datenfusion und die Entwicklung von Technologien zur Wolkenentfernung in der Fernerkundung bietet.

Wolkenentfernung in der Fernerkundungsbilder; Multimodale Datenfusion; Konsistenz multimodaler Merkmale