推荐星级：
- 1
- 2
- 3
- 4
- 5
结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复
资料介绍
利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.
部分文件列表
| 文件名 | 大小 |
| 结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复.pdf | 2M |
部分页面预览
（完整内容请下载后查看）12
Vol． 45 No． 12
Dec． 2017
第
期
电
子
学
报
2017
12
ACTA ELECTRONICA SINICA
年
月
结合分类与迁移学习的
薄云覆盖遥感图像地物信息恢复
1，2，3
1，2
1，2
1，2，3
， ， ，
查慧敏 梁 栋 鲍文霞
胡根生
( 1．
，
安徽大学计算智能与信号处理教育部重点实验室 安徽合肥
230039;
2． ， 230601;
安徽大学电子信息工程学院 安徽合肥
3．
，
偏振光成像探测技术安徽省重点实验室 安徽合肥
230031)
:
， ．
利用多源多时相遥感图像 给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法 首
摘
要
，
先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解 对分解后的薄云图像的高频系数
;
利用贝叶斯方法进行地物初分类 再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习
，
; ， ，
获取模型参数 最后利用所获的迁移回归模型 用无云参考图像的低频系数预测薄云覆盖图像的低频系数 去除薄云
，
． ， ， ．
恢复薄云覆盖图像的地物信息 实验结果表明 本文算法恢复的地物细节清楚 光谱失真较小 特别对地物季节性变化
，
的薄云覆盖遥感图像 本文算法能有效恢复薄云覆盖区域的地物信息
．
:
;
;
;
关键词
中图分类号
URL: http: / /www． ejournal． org． cn
遥感图像 信息恢复 图像分类 迁移学习
:
TP391
:
A
: 0372-2112 ( 2017) 12-2855-08
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 12． 005
文献标识码
文章编号
电子学报
Ground Object Information Recovery for Thin Cloud Contaminated Remote
Sensing Images by Combining Classification with Transfer Learning
1，2，3
1，2
1，2
1，2，3
HU Gen-sheng
，ZHA Hui-min ，LIANG Dong ，BAO Wen-xia
( 1． Key Laboratory of Intelligent Computing and Signal Processing，Ministry of Education，Anhui University，Hefei，Anhui 230039，China;
2． School of Electronics and Information Engineering，Anhui University，Hefei，Anhui 230601，China;
3． Anhui Key Laboratory of Polarization Imaging Detection Technology，Hefei，Anhui 230031，China)
Abstract: By using multi-source and multi-temporal remote sensing images，a ground object information recovery al-
gorithm for thin cloud contaminated remote sensing images is proposed by combining classification with transfer learning．
Firstly，multi-resolution decomposition of multi-source and multi-temporal remote sensing images is performed by using
multi-directional nonsubsampled dual-tree complex wavelet transform． The decomposed high frequency coefficients of the
ground objects of the thin cloud images are primarily classified by using Bayesian method． Then the transfer least square sup-
port vector regression model is trained to obtain the model parameters by using the domain adaptive learning of the low fre-
quency coefficients of each class of ground objects． Finally，the low frequency coefficients of the thin cloud-contaminated im-
ages are predicted by using those of the cloudless reference images． The thin clouds are removed and the ground object infor-
mation of the thin cloud contaminated images is recovered． Experimental results show that the ground objects recovered by
the proposed algorithm have clear spatial details and small spectral distortion． Especially for the thin cloud contaminated re-
mote sensing images with seasonal variation of ground objects，the proposed algorithm can effectively recover the ground ob-
ject information contaminated by thin clouds．
Key words: remote sensing image; information recovery; image classification; transfer learning
: 2016-06-04;
: 2017-01-10;
:
责任编辑 梅志强
收稿日期
修回日期
:
基金项目 国家自然科学基金
( No． 61672032，No． 61401001 ) ;
( No． 1408085MF121) ;
偏振光成像探测技术安徽省重点实验
安徽省自然科学基金
( No． 2016-KFKT-003)
室开放课题
2856
2017
年
电
子
学
报
， ，
下 利用多源多时相遥感图像之间的互补信息 可以有
1
引言
．
效填补去除薄云后图像的信息损失 由迁移支持向量
光学卫星遥感成像装置所拍摄的地表图像经常被
，
回归构建的域自适应学习模型 使得可利用的多源多
， ，
云覆盖 造成地物信息无法获取或获取不完全 导致获
．
时相遥感图像范围大大扩展 本文算法能有效解决多
源多时相地物信息恢复方法需要参考图像的地物信息
．
取的遥感图像不能发挥应有的价值 利用云覆盖下遥
，
感图像地物信息恢复技术 能有效增强遥感图像清晰
，
与薄云覆盖图像地物信息相同或者相近问题 特别对
，
度 提高对云覆盖区域地物信息解译的准确性
．
，
于地物随季节而变化的遥感图像 本文算法能够取得
，
根据云的光学厚度 τ 遥感图像上的云可以分为
C
．
很好的地物信息恢复效果
( 5) (
厚云 τ ≥ 和薄云 τ
C
＜ 5) ．
，
薄云是半透明的 薄云覆
C
2
多方向非抽样对偶树复小波变换
，
盖下的遥感图像 受阳光透过云层的反射和折射影响
，
．
图像上的地物信息模糊 目前许多研究者已经提出了
，
由于薄云和地物占据不同的频带 薄云覆盖遥感
．
多种薄云覆盖遥感图像的地物信息恢复方法 时域或
，
图像经过多分辨率分解后 低频频带主要是薄云信息
，
．
高频频带主要是地物信息 为了让分解后的高频频带
者频域的增强方法是常用的单幅遥感图像地物信息恢
［1］
，
复方法之一 其中比较经典的方法有小波分析法
、
同
，
保留尽量少的薄云信息和尽量多的地物细节信息 可
［2，3］
［4］
，
和色彩变换法 等 这些方法对地物信息
M-NDCWT ． M-
对遥感图像进行多分辨率分解
DTCWT
态滤波法
以利用
NDCWT
． ，
的损伤都较大 利用遥感图像本身的一些特点 采用
是将沙漏滤波器组与非抽样
结合起来
［5，6］
［7］
［8］
［15］
SUSAN
、Mallat
、Retinex
．
DTCWT ，
和沙漏滤波器组结合 使对
算 法
算 法
算 法 或 者
构造的
非抽样
［9］
HDSGI
地物信息 由于先验条件的缺失和辅助信息的匮乏 单
．
算法 等也可以有效恢复薄云覆盖遥感图像的
角分解方向增加了一倍
．
，
M-NDCWT
1
的分解和重构结构如图 所示
．
．
幅遥感图像地物信息恢复效果有限 利用多源多时相
遥感图像之间的互补信息恢复地物信息是当前的研究
． ，
热点 比如多源多时相遥感图像融合方法 使用无云覆
，
盖图像融合有云覆盖图像 可以恢复云覆盖下的地物
［10 ～ 12］
．
信息
图像融合方法对厚云或者薄云覆盖下的地
，
物信息恢复都有效 但需要至少一幅图像在该地区没
，
有云层覆盖 且需要解决不同传感器之间图像配准问
． ，
题和辐射差异问题 利用多光谱信息去除薄云 也可以
．
恢复地物信息 该方法通过在遥感平台上加装一个对
， ，
云敏感的传感器 专门记录云信息 或者从多光谱图像
，
的某些对云敏感的波段中提取云信息 然后从含云覆
，
盖遥感数据中剔除云信息 以达到获取清晰地物信息
［13，14］
( b)
．
的目的
多光谱去云法对薄云覆盖下的地物信息
I
，MS
I
是 中的一幅多
M
设
是多源多时相图像集
M
， ，
恢复有效 但需要加装一个特定传感器 或者增加一个
，
光谱图像 其中
b = 1，…，B，B
， M-
是总的光谱波段数 则
( b)
，
冗余波段 应用范围有限
．
NDCWT
MS
:
如下所示
分解
( b)
( b)
本文给出一种结合分类与迁移学习的薄云覆盖遥
MS ( i，j) =
c
( i，j)
( i，j)
mr，n
∑
2
n Z
∈
mr，n
( 1)
，
感图像地物信息恢复算法 该算法利用多方向非抽样
L
( b)
( Multi-directional Nonsubsampled Du-
对偶树复小波变换
al-tree Complex Wavelet Transform，M-NDCWT)
+
d
∑∑∑ l，m，n
( i，j)
( i，j)
ψ
l，m，n
2
l = 1
m
m
≥
n
r
Z
∈
对多源多
( b)
，m
，L
是分解层次 是方向子带的总数
，c ( i，j) =
mr，n
式中
r
，
时相遥感图像进行多分辨率分解 对分解后的图像的
( b)
( b)
〈MS ( i，j) ，
( i，j) 〉
是 缩 放 系 数
，d
( i，j) =
mr，n
l，m，n
，
高频地物成分进行贝叶斯初分类 针对每个类别分别
( b)
〈MS ( i，j) ，
ψ
( i，j) 〉 l ．
是第 方向的复小波系数
( Transfer Least Square
l，m，n
训练迁移最小方差支持向量回归
Support Vector Regression，T-LSSVR)
，
模型 用来预测薄
3
遥感图像贝叶斯初分类
，
云图像的低频系数 经重构后获得地物信息恢复图像
．
，
不同地物在不同波段下的反射特性是不一样的
M-NDCWT
，
有更多分解方向 能有效保留图像分解后的
，
为了有效恢复薄云覆盖下的地物信息 需要对薄云覆
．
地物细节信息 对分类后的不同地物分别训练回归模
，
盖下的地物进行初分类 以便针对不同地物给出不同
， ．
型 针对性更强 在可利用多源多时相遥感图像的条件
全部评论(0)