遥感图像在获取过程中会受到气候等因素的影响,导致得到的图像包含云层信息,在很大程度上影响了遥感图像的后续使用。基于深度学习的图像去云方法可以较好地移除云层,但已有方法存在训练时间长,去云效果不充分和颜色失真等问题。针对这些问题,提出了一种端到端生成,对抗网络模型对遥感图像去云,可以从含有云层的遥感图像中恢复出清晰的原始图像。首先,使用U-Net网络作为生成器的主要结构,并在编码模块和解码模块中间加入连续记忆残差模块来挖掘输入信息的深度特征;然后,使用卷积神经网络作为判别器来判别输入数据的真伪;最后,联合对抗性损失函数和L1损失函数,通过计算网络模型的输出与真实数据之间的差距,来衡量网络模型预测的优劣。实验结果表明,该方法在定量指标(峰值信噪比和结构相似性)和运行时间上均优于现有的去云方法,并且在参数量一致的条件下,计算量GFLOPs最低,具有更低的算法复杂度。此外,该方法得到的遥感图像细节信息更丰富,颜色几乎没有失真,具有更好的主观视觉效果。
