предыдущий|следующий

Удаление облаков на спутниковых изображениях на основе механизма внимания и генеративно-состязательных сетей

  • role： First author第一作者
  • Affiliation：

    College of Computer Science and Technology, Ocean University of China, Qingdao 266100, China

  • Email：zhengqiguang321@163.com
  • Introduction：郑其光， 研究方向为遥感智能解译。E-mail：zhengqiguang321@163.com
ZHENG Qiguang1,  
  • role： Corresponding author通信作者
  • Affiliation：

    College of Computer Science and Technology, Ocean University of China, Qingdao 266100, China

    College of Big Data and Software Engineering, Zhejiang Wanli University, Ningbo 315100, China

  • Email：renfang_wangac@126.com
  • Introduction：王仁芳， 研究方向为数字图像处理、机器学习、遥感智能解译。E-mail：renfang_wangac@126.com
WANG Renfang12*,  
  • Affiliation：

    College of Big Data and Software Engineering, Zhejiang Wanli University, Ningbo 315100, China

QIU Hong2,  
  • Affiliation：

    College of Big Data and Software Engineering, Zhejiang Wanli University, Ningbo 315100, China

WANG Feng2,  
  • Affiliation：

    College of Big Data and Software Engineering, Zhejiang Wanli University, Ningbo 315100, China

    Popsmart Technology(Zhejiang) Co., Ltd., Ningbo 315042, China

GAO Guang23,  
  • Affiliation：

    College of Big Data and Software Engineering, Zhejiang Wanli University, Ningbo 315100, China

    Popsmart Technology(Zhejiang) Co., Ltd., Ningbo 315042, China

WU Dun23

реферат

В связи с ограничениями, обусловленными условиями съемки, датчиками и другими факторами, высокоразрешающие спутниковые изображения подвержены явлению облаков, что серьезно влияет на качество изображений и последующий интеллектуальный анализ. Благодаря своей мощной способности к изучению особенностей, методы глубокого обучения в последние годы получили широкое применение в удалении облаков на спутниковых изображениях. Учитывая, что текущие методы удаления облаков на спутниковых изображениях часто затрудняют сохранение деталей текстуры края изображений, в данной статье предлагается алгоритм удаления облаков на основе генеративно-состязательных сетей с использованием механизма внимания. Во-первых, разработан модуль остатков Фурье, интегрирующий низкочастотную и высокочастотную информацию остатков облачных слоев изображений; затем с использованием механизма внимания из каналов и пространства получают информацию о пространственном распределении облачных слоев и направляют удаление облаков; наконец, модель обучается под общей функцией потерь, обеспечивая согласованность между сгенерированными изображениями и реальными изображениями по содержанию. Результаты экспериментов на наборе данных спутниковых изображений RICE показывают, что предложенный метод удаления облаков на спутниковых изображениях на основе механизма внимания и генеративно-состязательных сетей может эффективно сохранять детали текстуры края изображений и имеет отличные количественные показатели и визуальный эффект.

ключеви́че слова́

Удаление облаков на спутниковых изображениях; остаток Фурье; внимание на каналы и пространство; генеративно-состязательная сеть; пространственное распределение облаков

References

  1. 1.
    Chen S L, Chen X H, Chen X, Chen J, Cao X, Shen M G, Yang W and Cui X H. 2018. A novel cloud removal method based on IHOT and the cloud trajectories for landsat imagery. Remote Sensing, 10(7): 1040
  2. 2.
    Ding H D, Zi Y and Xie F Y. 2023. Uncertainty-based thin cloud removal network via conditional variational autoencoders//16th Asian Conference on Computer Vision. Macao, China: Springer: 52-68
  3. 3.
    Dong H, Pan J S, Xiang L, Hu Z, Zhang X Y, Wang F and Yang M H. 2020. Multi-scale boosted dehazing network with dense feature fusion//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle: IEEE: 2154-2164
  4. 4.
    Fan X N, Yan W, Shi P F and Zhang X W. 2022. Remote sensing image target detection based on a multi-scale deep feature fusion network. National Remote Sensing Bulletin, 26(11): 2292-2303
  5. 5.
    Hadjimitsis D G and Clayton C R I. 2008. The use of an improved atmospheric correction algorithm for removing atmospheric effects from remotely sensed images using an atmosphere-surface simulation and meteorological data. Meteorological Applications, 15(3): 381-387
  6. 6.
    He K M, Zhang X Y, Ren S Q and Sun J. 2016. Deep residual learning for image recognition//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE: 770-778
  7. 7.
    He Y F, Li C L and Li X. 2023. Remote sensing image dehazing using heterogeneous atmospheric light prior. IEEE Access, 11: 18805-18820
  8. 8.
    Hu J, Shen L, Albanie S, Sun G and Wu E H. 2020a. Squeeze-and-excitation networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(8): 2011-2023
  9. 9.
    Hu X W, Fu C W, Zhu L, Qin J and Heng P A. 2020b. Direction-aware spatial context features for shadow detection and removal. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(11): 2795-2808
  10. 10.
    Judith C, Schneider J V, Schmidt M, Ortega R, Gaviria J and Zizka G. 2013. Using high-resolution remote sensing data for habitat suitability models of Bromeliaceae in the city of Mérida, Venezuela. Landscape and Urban Planning, 120: 107-118
  11. 11.
    Li B Y, Peng X L, Wang Z Y, Xu J Z and Feng D. 2017. AOD-Net: all-in-one dehazing network//2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE: 4780-4788
  12. 12.
    Li S T, Li C Y and Kang X D. 2021. Development status and future prospects of multi-source remote sensing image fusion. National Remote Sensing Bulletin, 25(1): 148-166
  13. 13.
    Li Y S, Wei F Y, Zhang Y J, Chen W and Ma J Y. 2023. HS2P: hierarchical spectral and structure-preserving fusion network for multimodal remote sensing image cloud and shadow removal. Information Fusion, 94: 215-228
  14. 14.
    Lin D Y, Xu G L, Wang X K, Wang Y, Xian S and Fu K. 2019. A remote sensing image dataset for cloud removal. arXiv: 1901.00600
  15. 15.
    Liu X H, Ma Y R, Shi Z H and Chen J. 2019. GridDehazeNet: attention-based multi-scale network for image dehazing//2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul: IEEE: 7313-7322
  16. 16.
    Liu X, Zhang H, Tang Y Y and Du J X. 2016. Scene-adaptive single image dehazing via opening dark channel model. IET Image Processing, 10(11): 877-884
  17. 17.
    Mao X T, Liu Y M, Liu F Z, Li Q L, Shen W and Wang Y. 2023. Intriguing findings of frequency selection for image deblurring//Proceedings of the 37th AAAI Conference on Artificial Intelligence. Washington: AAAI: 1905-1913
  18. 18.
    Ming Y S, Liu Q H, Bai H and Huang C. 2023. Classification and change detection of vegetation in the Ruoergai Wetland using optical and SAR remote sensing data. National Remote Sensing Bulletin, 27(6): 1414-1425
  19. 19.
    Mirza M and Osindero S. 2014. Conditional generative adversarial nets. arXiv:1411.1784
  20. 20.
    Pan H. 2020. Cloud removal for remote sensing imagery via spatial attention generative adversarial network. arXiv: 2009.13015
  21. 21.
    Ren W Q, Ma L, Zhang J W, Pan J S, Cao X C, Liu W and Yang M H. 2018. Gated fusion network for single image dehazing//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE: 3253-3261
  22. 22.
    Shen H F, Li H F, Qian Y, Zhang L P and Yuan Q Q. 2014. An effective thin cloud removal procedure for visible remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 96: 224-235
  23. 23.
    Singh P and Komodakis N. 2018. Cloud-Gan: cloud removal for Sentinel-2 imagery using a cyclic consistent generative adversarial networks//2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia: IEEE: 1772-1775
  24. 24.
    Wan Y Q, Fan Y H and Jin M S. 2021. Application of hyperspectral remote sensing for supplementary investigation of polymetallic deposits in Huaniushan ore region, northwestern China. Scientific Reports, 11(1): 440
  25. 25.
    Wang X X, Jiang L S, Chen Y P and Wang J L. 2013. Thin cloud removal from remote sensing images with adaptive thresholds of wavelet transforms. Journal of University of Electronic Science and Technology of China, 42(3): 390-393
  26. 26.
    Wang Q L, Wu B G, Zhu P F, Li P H, Zuo W M and Hu Q H. 2020. ECA-Net: efficient channel attention for deep convolutional neural networks//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle: IEEE: 11531-11539
  27. 27.
    Wei W, Polap D, Li X H, Wozniak M and Liu J Z. 2018. Study on remote sensing image vegetation classification method based on decision tree classifier//2018 IEEE Symposium Series on Computational Intelligence (SSCI). Bangalore: IEEE: 2292-2297
  28. 28.
    Wu X, Song W, Zhang X K, Lin G H, Wang H M and Deng Y Y. 2022. Algorithm development of cloud removal from solar images based on Pix2Pix network. Computers, Materials and Continua, 71(2): 3497-3512
  29. 29.
    Yang X, Li F, Lu M, Xin L, Lu X T and Zhang N. 2022. New super-resolution reconstruction method based on Mixed Sparse Representations. National Remote Sensing Bulletin, 26(8): 1685-1697
  30. 30.
    Zhou Y, Jing W P, Wang J, Chen G S, Scherer R and Damaševičius R. 2022. MSAR-DefogNet: lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution. IET Image Processing, 16(3): 659-668
  31. 31.
    Zi Y, Ding H D, Xie F Y, Jiang Z G and Song X D. 2023. Wavelet integrated convolutional neural network for thin cloud removal in remote sensing images. Remote Sensing, 15(3): 781

Читать полностью

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website