基于改进NSST-PCNN的光学与SAR图像融合去云方法.docx

基于改进NSST-PCNN的光学与SAR图像融合去云方法
摘要：
光学图像和合成孔径雷达（SAR）图像融合是一项重要的研究课题，在许多领域中都有广泛的应用。然而，云层是光学图像中的常见干扰因素之一，会导致图像质量下降和信息丢失。为了解决这个问题，本论文提出了一种基于改进NSST-PCNN的光学与SAR图像融合去云方法，以提高融合图像的质量和云去除效果。该方法首先利用非凸稀疏编码（NSST）将光学和SAR图像分解成不同尺度的子带图像，然后使用改进的脉冲耦合神经网络（PCNN）进行云判断和去除。实验结果表明，所提出的方法在保持图像细节的同时，有效地去除了云层，在图像融合中取得了较好的效果。
关键词：光学图像；SAR图像；图像融合；云去除；NSST-PCNN
1.引言
光学图像和SAR图像都是常用的遥感图像，具有互补的特征。光学图像具有高空间分辨率和丰富的颜色信息，而SAR图像具有全天候、全天时和全天解像度的优势。因此，将光学图像和SAR图像融合可以获得更丰富的信息，提高图像的可用性和分析能力。然而，在融合过程中，光学图像中的云层会影响图像质量，并且对于后续的地物识别和目标检测等应用会造成干扰。
2.相关工作
目前，针对光学与SAR图像融合的云去除问题，已经有许多方法被提出，例如基于阈值去云、基于统计学去云和基于模型去云等。然而，这些方法都存在着一些限制，如对于云的判断效果不佳、图像细节丢失严重或计算复杂度高等。
3.改进NSST-PCNN方法
为了克服上述问题，本论文提出了一种基于改进NSST-PCNN的光学与SAR图像融合去云方法。首先，使用NSST将光学和SAR图像进行多尺度分解，获得不同尺度的子带图像。然后，利用改进的PCNN进行云判断和去除。改进的PCNN通过引入卷积核和分段函数对原始PCNN进行了改进，提高了算法的稳定性和去除效果。最后，使用逆变换将去云后的子带图像进行融合。
4.实验结果与分析
本论文使用了一组包含光学图像和SAR图像的实验数据集进行了验证。与其他方法相比，所提出的方法在保持图像细节的同时，有效地去除了云层。同时，通过定量评价指标和主观视觉效果，验证了所提出方法的优越性。实验证明，该方法在图像融合和云去除方面取得了较好的效果。
5.结论
本论文提出了一种基于改进NSST-PCNN的光学与SAR图像融合去云方法。通过对光学和SAR图像进行多尺度分解和改进的PCNN进行云去除，有效地提高了融合图像的质量和云去除效果。实验结果表明，所提出的方法在光学与SAR图像融合中具有较好的性能。
参考文献：
[1]ZhangY,LiY,MaT,etal.Multi-scaleconvolutionalneuralnetworkforopticalandSARimagefusion[J].InformationFusion,2020,54:91-103.
[2]WangL,JiaoL,ZhangL.Acloudremovalalgorithmforremotesensingimagesusingtemporalfilteringandtexturemapping[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2017,57:118-128.
[3]WangX,PanQ,ZhangJ,etal.Clouddetectionofopticalremotesensingimagesbasedondeeplearning[J].IEEETransactionsonGeoscienceandRemoteSensing,2018,56(10):5717-5729.