本技术介绍了一种遥感图像云层修复技术,该技术结合时谱域融合与时序自注意力机制,旨在提高遥感云层图像处理的效率和准确性。该方法首先接收遥感缺失图像作为源图像,然后通过构建生成器对缺失部分进行修复,利用时谱域信息和自注意力机制增强修复效果,最终实现高质量的云层图像修复。
背景技术
光学遥感图像中的云遮挡问题是遥感数据处理中的关键挑战之一,导致地表信息的严重丢失与质量退化,对地物识别、变化检测以及土地覆盖分类等核心任务的准确性产生了显著影响,甚至可能导致后续处理任务完全失效,现有遥感图像云去除技术主要包括多时相法、多光谱法和基于深度学习的方法:(1)多时相法:利用不同时间获取的遥感影像的互补信息,修复云层遮挡区域的地表特征。这一方法能够有效处理动态云层覆盖的场景,但性能易受时序数据获取难度和地表动态变化的影响;(2)多光谱法:通过光谱波段间的相关性修复云层遮挡区域,具有较强的物理意义。然而,这种方法对高光谱分辨率数据的依赖较大,在云层较厚时表现有限;(3)基于深度学习的方法:通过构建数据驱动模型对图像进行重建,具有强大的非线性建模能力,可显著提升去云效果。基于深度学习的云去除性能依赖于大规模标注数据集,并容易受到训练数据质量和分布的限制。
现有图像修复方法通常依赖深层卷积网络进行特征提取和信息重建,但在复杂遥感场景中,深度网络可能引入额外噪声,导致复原图像的质量下降,现有方法普遍缺乏针对性的细节增强与修复机制,难以有效解决云层遮挡对图像局部细节的破坏,从而难以满足高精度图像复原的要求,此外,传统注意力机制,如Conformer模型,在处理云遮挡图像时,往往对边缘区域的重要信息关注不足,从而限制了图像修复的效果,这一问题限制了修复结果的一致性和全面性,从而影响了整体性能。
实现思路