光學(xué)遙感影像薄云霧校正研究進(jìn)展概述

光學(xué)遙感影像薄云霧校正研究進(jìn)展概述摘要：薄云霧是光學(xué)遙感影像不可避免的問題。隨著理論技術(shù)的硬件的發(fā)展，現(xiàn)今國內(nèi)外已涌現(xiàn)諸多相關(guān)的校正方法。然而，新方法的爆炸性增長導(dǎo)致體系冗余、條理不清晰，不便于系統(tǒng)性地區(qū)分。針對此，本文以技術(shù)發(fā)展為時間軸，對現(xiàn)有方法進(jìn)行了梳理與概述，簡要地分為了基于物理模型、基于統(tǒng)計(jì)信息、物理模型與統(tǒng)計(jì)信息半耦合和基于深度學(xué)習(xí)的方法。最后提出了現(xiàn)有方法發(fā)展的不足與見解。關(guān)鍵詞：光學(xué)遙感；薄云霧校正；研究概述引言光學(xué)遙感技術(shù)可周期性進(jìn)行大面積對地同步觀測，在規(guī)模性地球表層信息研究任務(wù)中具有不可比擬的先天優(yōu)勢。然而，航空航天遙感成像鏈路復(fù)雜，地表信息進(jìn)入傳感器前經(jīng)歷了系列不同媒介，諸多外部環(huán)境條件均可能導(dǎo)致數(shù)據(jù)出現(xiàn)多種降質(zhì)現(xiàn)象，導(dǎo)致獲取影像中出現(xiàn)遙感信息偏差甚至缺失，從而難以實(shí)現(xiàn)對地球陸表狀況的準(zhǔn)確表達(dá)與精細(xì)刻畫[1]。薄云霧是眾多遙感信息降質(zhì)因素之一，具有空間不均勻性和光譜差異性，已成為大部分光學(xué)遙感影像不可避免的問題，亦是本文所關(guān)注重點(diǎn)。總的來說，薄云霧對光學(xué)遙感影像存在兩方面的影響：其一，云霧反射了部分非地表輻射，其覆蓋區(qū)域在影像中往往呈現(xiàn)高亮度特征，直接影響了影像的可視性；其二，在云霧覆蓋區(qū)域，傳感器接收輻射中云霧散射輻射有所增加，而地表反射輻射則相應(yīng)地被削弱，地表真實(shí)信息表達(dá)不準(zhǔn)確。以上不利因素導(dǎo)致云霧光學(xué)數(shù)據(jù)難以滿足后續(xù)特征提取等應(yīng)用需求，從而嚴(yán)重降低了遙感解譯精度，限制了數(shù)據(jù)應(yīng)用潛力[2]。為解決這一問題，國內(nèi)外學(xué)者通過不同的技術(shù)手段已發(fā)展了諸多校正方法，尤其是近年來深度學(xué)習(xí)在遙感質(zhì)量改善方面的應(yīng)用。方法的井噴式涌現(xiàn)在提高研究領(lǐng)域活力的同時也導(dǎo)致方法體系紊亂、條理不清晰。針對此，本文以梳理近年來光學(xué)遙感影像薄云霧校正方法為目的，從理論技術(shù)發(fā)展的角度提出了分類模式，以期為闡明方法體系提供一定參考和借鑒。研究進(jìn)展自遙感技術(shù)誕生至今，薄云霧問題就因其對光學(xué)遙感數(shù)據(jù)的不可回避性受到關(guān)注。隨著遙感事業(yè)的發(fā)展，到20世紀(jì)90年代，遙感影像薄云霧去除就成為了一個比較活躍的研究領(lǐng)域?？偟膩碚f，根據(jù)方法所涉及的不同理論技術(shù)與模型，可將現(xiàn)有的薄云霧校正方法歸納為四類：基于物理模型的校正方法、基于統(tǒng)計(jì)信息的校正方法、物理模型與統(tǒng)計(jì)信息半耦合的校正方法和基于深度學(xué)習(xí)的校正方法。大致分類結(jié)構(gòu)如下圖所示：圖1.光學(xué)遙感影像薄云霧校正方法分類體系基于物理模型的校正方法基于物理模型的方法充分顧及電磁波輻射在傳輸過程中受不同環(huán)境變量的影響，通過嚴(yán)謹(jǐn)?shù)奈锢砟Ｐ瓦M(jìn)行縝密的正向建模，以消除不利因素的負(fù)面干擾，獲得成像時刻的真實(shí)地表狀態(tài)。側(cè)重考慮不同的環(huán)境因素和適用場景，研究人員發(fā)展了諸多物理模型，包括常用的6S（SecondSimulationoftheSatelliteSignalintheSolarSpectrum）模型等[3]。該類方法具有較明確的物理意義，然而通常需要實(shí)測或者近似的精細(xì)尺度參量。這一要求在實(shí)際應(yīng)用中往往難以滿足，因此不適用于中高分辨率中的薄云霧校正，普適性存在限制?；诮y(tǒng)計(jì)信息的校正方法基于統(tǒng)計(jì)信息的方法不過多依賴物理模型，僅通過自身的空間與光譜統(tǒng)計(jì)信息便能消除薄云霧干擾，應(yīng)用更加廣泛。具體可分為基于多源/多時相信息的云霧校正方法、基于特征提取的云霧校正方法和基于先驗(yàn)假設(shè)的云霧校正方法。第一子類主要是利用了目標(biāo)影像與輔助影像在云區(qū)與非云區(qū)間的互補(bǔ)性；第二子類則利用某種變換策略突出薄云霧與地表的異質(zhì)性；第三子類通過挖掘無云影像的某些共性信息并以此為相應(yīng)的先驗(yàn)假設(shè)準(zhǔn)則進(jìn)行校正。概況地說，該類方法依賴于廣泛的統(tǒng)計(jì)特征，具有較強(qiáng)的普適性，但是需要對影像進(jìn)行預(yù)判選擇合適的先驗(yàn)。物理模型與統(tǒng)計(jì)信息半耦合的方法如前所述，基于物理模型的方法與基于統(tǒng)計(jì)信息的方法具有明顯的互補(bǔ)特征，因此部分將兩者進(jìn)行半耦合。這種半耦合的方式在較好解決了參數(shù)不易獲取問題的同時保證了光譜精度，如半經(jīng)驗(yàn)法和查找表法。文獻(xiàn)顯示該類方法對于典型數(shù)據(jù)取得了較好的處理結(jié)果。然而，這種物理模型與統(tǒng)計(jì)信息進(jìn)行半耦合的方式研究相對較少，但非常具有發(fā)展?jié)摿?。研究可在模型簡化策略、統(tǒng)計(jì)信息挖掘和普適性提升方面進(jìn)一步深入發(fā)展。基于深度學(xué)習(xí)的方法近年來，隨著深度學(xué)習(xí)在視覺改善任務(wù)中逐漸展現(xiàn)出不凡的表現(xiàn)，基于深度學(xué)習(xí)的薄云霧校正方法也有諸多報道。通常，主要的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積神經(jīng)網(wǎng)絡(luò)CNN（ConvolutionalNeuralNetwork）和生成對抗網(wǎng)絡(luò)GAN（GenerativeAdversarialNetworks）。CNN基于大尺度數(shù)據(jù)集進(jìn)行訓(xùn)練，通過梯度反向傳播獲得最優(yōu)化權(quán)重參數(shù)，實(shí)現(xiàn)數(shù)據(jù)處理。方法通?？梢匀〉幂^好的結(jié)果，但是卷積操作涉及的尺度變換和采樣會不可避免出現(xiàn)細(xì)節(jié)模糊問題。GAN雖然也屬于深度學(xué)習(xí)范疇，但是它與上述的卷積神經(jīng)網(wǎng)絡(luò)不同之處在于生成對抗網(wǎng)絡(luò)將云霧校正視為帶條件約束的影像生成任務(wù)，其中輸入影像即為約束條件。此外，由于對抗生成網(wǎng)絡(luò)是全新圖像的生成，可以較好的避免卷積神經(jīng)網(wǎng)絡(luò)中存在的細(xì)節(jié)模糊問題[4]。總結(jié)本文對其進(jìn)行了簡要梳理和概述，分為四大類，從早期的物理模型方法到統(tǒng)計(jì)信息方法再到物理模型和統(tǒng)計(jì)信息半耦合的方法，一直發(fā)展至現(xiàn)在的深度學(xué)習(xí)方法。但是依然存在場景適應(yīng)性受限和物理機(jī)制考慮不足的問題有待解決。參考文獻(xiàn)：[1]趙忠明,朱重光.遙感圖像中薄云的去除方法[J].遙感學(xué)報,1996(03):195-199.[2]馬建文,顧行發(fā),馮春,等.CBERS-02衛(wèi)星圖像薄云的去除方法研究[J].中國科學(xué):技術(shù)科學(xué),2005,35(1):89-96.[3]尹展.混合型