当前位置:
X-MOL 学术
›
IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Thin Cloud Removal for Multispectral Remote Sensing Images Using Convolutional Neural Networks Combined With an Imaging Model
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ( IF 5.5 ) Pub Date : 2021-03-23 , DOI: 10.1109/jstars.2021.3068166 Yue Zi , Fengying Xie , Ning Zhang , Zhiguo Jiang , Wentao Zhu , Haopeng Zhang
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ( IF 5.5 ) Pub Date : 2021-03-23 , DOI: 10.1109/jstars.2021.3068166 Yue Zi , Fengying Xie , Ning Zhang , Zhiguo Jiang , Wentao Zhu , Haopeng Zhang
Multispectral remote sensing images are often degraded by clouds, resulting in the reduced efficiency and accuracy of image interpretation. Thin cloud removal is one of the most important and significant tasks for optical multispectral images. In this article, we propose a novel thin cloud removal method for multispectral images, which is a combination of traditional methods and deep learning methods. First, we adopt U-Net to estimate the reference thin cloud thickness map of the cloudy image. Then, a convolutional neural network named Slope-Net is designed to estimate the thickness coefficient of each band relative to the reference thin cloud thickness map to obtain the thin cloud thickness maps of different bands. Finally, the recovered clear image can be obtained by subtracting the thin cloud thickness maps from the cloudy image according to the traditional thin cloud imaging model. To train U-Net and Slope-Net, a wavelength-dependent thin cloud simulation method is presented to generate a labeled dataset composed of synthetic cloudy images, corresponding clear images, reference thin cloud thickness maps, and thickness coefficients. Qualitative and quantitative comparison experiments are conducted on both synthetic cloudy images and real cloudy images from the Landsat 8 Operational Land Imager. The results indicate that the proposed method can effectively remove thin clouds in multispectral images with various land cover types and maintain good color fidelity.
中文翻译:
利用卷积神经网络结合成像模型去除多光谱遥感影像的薄云
多光谱遥感图像通常会被云降解,从而导致图像解释的效率和准确性降低。去除薄云是光学多光谱图像最重要和重要的任务之一。在本文中,我们提出了一种用于多光谱图像的新型薄云去除方法,该方法将传统方法和深度学习方法结合在一起。首先,我们采用U-Net来估算阴天图像的参考薄云厚度图。然后,设计一个名为Slope-Net的卷积神经网络,以估计每个波段相对于参考薄云厚度图的厚度系数,以获得不同波段的薄云厚度图。最后,根据传统的薄云成像模型,通过从多云图像中减去薄云厚度图可以得到恢复的清晰图像。为了训练U-Net和Slope-Net,提出了一种与波长有关的薄云模拟方法,以生成由合成的多云图像,相应的清晰图像,参考薄云厚度图和厚度系数组成的标记数据集。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。提出了一种与波长相关的薄云模拟方法,以生成标记的数据集,该数据集由合成阴天图像,相应的清晰图像,参考薄云厚度图和厚度系数组成。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。提出了一种与波长相关的薄云模拟方法,以生成标记的数据集,该数据集由合成阴天图像,相应的清晰图像,参考薄云厚度图和厚度系数组成。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。
更新日期:2021-04-23
中文翻译:
利用卷积神经网络结合成像模型去除多光谱遥感影像的薄云
多光谱遥感图像通常会被云降解,从而导致图像解释的效率和准确性降低。去除薄云是光学多光谱图像最重要和重要的任务之一。在本文中,我们提出了一种用于多光谱图像的新型薄云去除方法,该方法将传统方法和深度学习方法结合在一起。首先,我们采用U-Net来估算阴天图像的参考薄云厚度图。然后,设计一个名为Slope-Net的卷积神经网络,以估计每个波段相对于参考薄云厚度图的厚度系数,以获得不同波段的薄云厚度图。最后,根据传统的薄云成像模型,通过从多云图像中减去薄云厚度图可以得到恢复的清晰图像。为了训练U-Net和Slope-Net,提出了一种与波长有关的薄云模拟方法,以生成由合成的多云图像,相应的清晰图像,参考薄云厚度图和厚度系数组成的标记数据集。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。提出了一种与波长相关的薄云模拟方法,以生成标记的数据集,该数据集由合成阴天图像,相应的清晰图像,参考薄云厚度图和厚度系数组成。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。提出了一种与波长相关的薄云模拟方法,以生成标记的数据集,该数据集由合成阴天图像,相应的清晰图像,参考薄云厚度图和厚度系数组成。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。对来自Landsat 8 Operational Land Imager的合成阴天图像和真实阴天图像都进行了定性和定量比较实验。结果表明,该方法可以有效去除具有多种土地覆盖类型的多光谱图像中的薄云,并保持良好的色彩保真度。