基于深度学习的遥感图像厚云去除与信息重建研究报告.docVIP

基于深度学习的遥感图像厚云去除与信息重建研究报告

一、遥感图像厚云去除与信息重建的研究背景与意义

遥感技术作为一种非接触式的对地观测手段，已在资源调查、环境监测、灾害评估、城市规划等众多领域发挥着不可替代的作用。通过卫星、无人机等遥感平台获取的图像，能够为人类提供大范围、周期性的地表信息。然而，在实际应用中，遥感图像的质量常常受到云层的严重影响。据统计，全球约有60%以上的遥感图像存在不同程度的云覆盖，尤其是在热带、亚热带地区以及雨季，厚云覆盖的情况更为普遍。

厚云不仅会遮挡地表目标，导致图像中部分区域信息缺失，还会改变地物的光谱特性，使得后续的图像解译、分类、目标识别等工作难以正常开展。例如，在农业领域，云层遮挡会影响农作物长势的监测与估产；在灾害应急响应中，厚云覆盖可能导致无法及时获取灾区的准确信息，延误救援时机。因此，如何有效去除遥感图像中的厚云，并重建被遮挡区域的地表信息，成为遥感图像处理领域亟待解决的关键问题之一。

传统的遥感图像去云方法主要包括基于多temporal图像的方法、基于物理模型的方法以及基于图像处理的方法。基于多temporal图像的方法利用同一区域不同时相的无云或少云图像，通过配准、融合等操作来填补被云遮挡的区域。然而，这种方法依赖于足够多的无云图像数据，且当不同时相的图像之间存在地表变化时，容易出现配准误差和信息不一致的问题。基于物理模型的方法通