摘要

本文提出了一种基于条件生成对抗网络（cGANs）扩展方法，用于从可见光RGB卫星图像中去除云层干扰，该方法将cGANs从处理RGB图像拓展至多光谱图像。卫星图像已被广泛应用于自然环境监测（如污染、森林或河流状况）、交通优化以及灾害发生时的快速应急响应等领域。然而，云层遮挡会导致可见光相机对地表情况的观测变得不稳定。为减轻云层影响，可引入波长更长的传感器所获取的图像。合成孔径雷达（SAR）即为一例，即使在云层覆盖条件下仍能保持良好的成像能力。但随着波长增加，图像的空间分辨率会相应下降。此外，长波段图像在视觉外观上与可见光图像存在显著差异。因此，本文提出一种网络模型，能够基于输入的多光谱图像实现云层去除，并生成与真实可见光图像一致的输出结果。该目标通过扩展cGANs的输入通道数，使其兼容多光谱图像数据来实现。网络在训练过程中以在真实图像上合成云层后生成的图像作为输入，目标是输出尽可能接近真实无云图像的结果。在现有数据集中，森林或海洋类图像占比极高，若直接从原始数据集中均匀采样，将导致训练数据分布存在显著偏差。为此，本文采用t-分布随机邻域嵌入（t-SNE）方法对数据分布进行优化，以缓解训练数据的偏差问题。最终，我们在包含三个可见光波段和一个近红外（NIR）波段的四波段图像数据集上验证了所提出网络的有效性与可行性。