基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的航拍圖像去厚云方法

李從利， 張思雨， 韋哲， 薛松

(陸軍炮兵防空兵學(xué)院， 安徽 合肥 230031)

0 引言

航拍圖像在采集過程中容易受到不良天氣的影響，云層是常見的污染源之一。薄云會(huì)使地物信息變得模糊，厚云則完全遮蔽了云層下的地物，嚴(yán)重影響了航拍圖像的后續(xù)應(yīng)用，因此航拍圖像的云去除工作具有十分重要的意義。

在過去的幾十年中，學(xué)者們已經(jīng)提出了大量的云去除方法，這些方法可以分為3類：基于多光譜的方法[1-3]、基于多時(shí)相的方法[4-7]和基于圖像修復(fù)的方法[8-10]?；诙喙庾V的方法利用波段本身的空間結(jié)構(gòu)和不同波段之間的光譜相關(guān)性，重建云層覆蓋區(qū)域的信息，但前提要求相對(duì)較高，需要冗余頻帶，而且在一般情況下，厚云存在于所有波段，所以這種方法不適用于去厚云。基于多時(shí)相的方法利用多張同一場(chǎng)景、不同時(shí)刻的無云區(qū)域參考圖像，通過信息替換或重建云覆蓋區(qū)域的信息，但會(huì)涉及圖像配準(zhǔn)和輻射差異等問題，算法構(gòu)成復(fù)雜。Lin等[6]提出了一種基于塊的全局最優(yōu)信息重構(gòu)方法，將參考圖像的梯度嵌入到云覆蓋區(qū)域中，利用泊松方程重建云區(qū)域的信息，這種方法能夠產(chǎn)生較好的去云效果，但是基于泊松方程重建的結(jié)果會(huì)受到邊界條件的影響；Zhang等[7]提出了一種融合多傳感器和多時(shí)相數(shù)據(jù)的去云方法，但在異構(gòu)區(qū)域會(huì)出現(xiàn)重建精度降低的現(xiàn)象。由于航拍圖像一般只有可見光波段，而且在軍事偵察等實(shí)際應(yīng)用時(shí)受限于客觀條件，難以獲得多時(shí)相輔助數(shù)據(jù)，因此基于多光譜和多時(shí)相的去云方法不適用于航拍圖像去云。由于被厚云遮擋區(qū)域幾乎不含信息，基于圖像修復(fù)的方法將這些區(qū)域視為缺失像素，圖像修復(fù)中最常用的是圖像修補(bǔ)方法。圖像修補(bǔ)利用其他區(qū)域的信息，在缺失區(qū)域上合成具有視覺真實(shí)和語義上合理的像素，主要可分為兩類：1) 利用低層次特征的擴(kuò)散傳播和塊填充來修復(fù)圖像；2) 基于機(jī)器學(xué)習(xí)。第1類方法中最有代表性的圖像修補(bǔ)方法是Criminisi等[11]提出的基于樣本塊匹配的修復(fù)算法，該算法結(jié)合了紋理合成和擴(kuò)散填充的優(yōu)點(diǎn)，可修復(fù)較大孔洞的缺失信息，但此算法受限于單張圖像，當(dāng)找不到相似塊時(shí)算法就無法正常進(jìn)行，因此只適用于補(bǔ)全背景以低頻信息和重復(fù)性紋理為主的圖像；Hays等[12]利用互聯(lián)網(wǎng)上存在的大量圖片來提供素材，彌補(bǔ)了Criminisi算法找不到相似塊的缺點(diǎn)，但不能保證參考圖像的語義正確，還存在不同圖像光照等條件不同帶來的視覺差異問題。第2類方法尤其是近年來，得益于大數(shù)據(jù)獲取手段和圖形處理器(GPU)的普及，深度學(xué)習(xí)在圖像處理和計(jì)算機(jī)視覺領(lǐng)域取得了長(zhǎng)足發(fā)展。利用深層卷積神經(jīng)網(wǎng)絡(luò)(CNN)可以學(xué)習(xí)缺失區(qū)域與其他部分之間復(fù)雜的函數(shù)關(guān)系，但僅利用前饋CNN往往只能得到模糊的結(jié)果。2013年Szegedy等[13]首次提出深度學(xué)習(xí)對(duì)抗樣本的概念，使得深度學(xué)習(xí)模型在對(duì)抗樣本上變得脆弱。進(jìn)而2014年Goodfellow等[14]提出一種無監(jiān)督學(xué)習(xí)的訓(xùn)練方法- 生成對(duì)抗網(wǎng)絡(luò)(GAN)，該網(wǎng)絡(luò)由生成器和鑒別器組成。生成器用于合成缺失部分，而鑒別器則模擬人眼對(duì)圖像質(zhì)量的判決，GAN的兩部分在與對(duì)方的對(duì)抗中提升性能，使高層次的識(shí)別問題和低層次的像素生成問題統(tǒng)一起來。GAN使得學(xué)習(xí)圖像數(shù)據(jù)集的分布以及缺失部分的函數(shù)關(guān)系變得容易，近年內(nèi)成為國(guó)內(nèi)外學(xué)者們的研究熱點(diǎn)[15-18]。但是由于GAN的不穩(wěn)定，容易出現(xiàn)過擬合現(xiàn)象，且GAN生成模型的結(jié)果缺乏有效算法加以分析，2016年Radford等[19]針對(duì)GAN不穩(wěn)定學(xué)習(xí)方式進(jìn)行了重要架構(gòu)設(shè)計(jì)和CNN的特定優(yōu)化，提出了深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)，將卷積網(wǎng)絡(luò)引入到生成式模型當(dāng)中來做無監(jiān)督的訓(xùn)練，利用卷積網(wǎng)絡(luò)強(qiáng)大的特征提取能力來提高生成網(wǎng)絡(luò)的學(xué)習(xí)效果。

在上述工作基礎(chǔ)上，2016年P(guān)athak等[20]提出上下文編碼器，利用CNN來學(xué)習(xí)圖像中的高層特征，結(jié)合海量數(shù)據(jù)庫(kù)和高層特征，指導(dǎo)生成圖像的缺失部分，能修復(fù)圖像中缺失的較大孔洞。但有時(shí)該方法的修復(fù)結(jié)果缺乏精細(xì)的紋理細(xì)節(jié)，在邊界周圍會(huì)產(chǎn)生可見的偽跡，該方法選用的原始GAN也存在訓(xùn)練不穩(wěn)定和較難收斂的缺點(diǎn)。

航拍圖像與陸基拍攝圖像相比，其目標(biāo)呈現(xiàn)結(jié)構(gòu)信息弱、紋理和細(xì)節(jié)分辨力低。而CNN具有強(qiáng)大的圖像特征提取能力，DCGAN結(jié)合了GAN和CNN的優(yōu)點(diǎn)。因此本文采用基于DCGAN的圖像修復(fù)方法去除厚云，將航拍圖像中的厚云覆蓋區(qū)域視為圖像修復(fù)工作中的缺失部分，使用DCGAN替換原始GAN，提升網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性和生成結(jié)果的質(zhì)量；為抑制生成圖像的噪聲，借鑒并改進(jìn)了文獻(xiàn)[20]的損失函數(shù)，增加了總變差損失[21]生成聯(lián)合損失函數(shù)。同時(shí)，為消除生成區(qū)域與背景間的顏色差異，又引入泊松圖像編輯[22]，較好地保留了修復(fù)區(qū)域的細(xì)節(jié)特征。與文獻(xiàn)[26-28]方法在航拍圖像上的對(duì)比實(shí)驗(yàn)證明，本文方法能得到較為理想的云區(qū)修復(fù)效果，為航拍圖像的去云工作提供了新的技術(shù)途徑。

1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及去云模型

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文設(shè)計(jì)的用于去云DCGAN結(jié)構(gòu)，其訓(xùn)練過程采用GAN+CNN方式，與Rasmus等[23]提出的梯形網(wǎng)絡(luò)學(xué)習(xí)方法類似，屬于半監(jiān)督學(xué)習(xí)。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，生成器G的輸入為受云污染的圖像z，輸出預(yù)測(cè)圖像G(z)，然后和真實(shí)無云圖像放到鑒別器中進(jìn)行比較，經(jīng)過不斷地訓(xùn)練，使得生成器生成的圖像不斷逼近真實(shí)圖像。

圖1 去厚云方法框架圖Fig.1 Framework of thick cloud removal

網(wǎng)絡(luò)訓(xùn)練是一個(gè)二元極小極大博弈的過程，鑒別器D不斷學(xué)習(xí)真實(shí)無云圖像和生成圖像的區(qū)別并區(qū)分真假，而生成器也盡可能地學(xué)習(xí)真實(shí)圖像的特征去欺騙D，公式為

(1)

式中：Z為被云污染圖像的集合；χ為對(duì)應(yīng)的無污染原圖的集合；D(x)和D(G(z))分別為鑒別器D對(duì)原圖像和修復(fù)圖像的分類標(biāo)簽值；為期望值。(1)式為聯(lián)合優(yōu)化，即D將x識(shí)別為真(1)，將G(z)識(shí)別為假(0)，而G則阻止D做出正確判斷。G和D的性能最終都會(huì)提高，G最終能生成接近真實(shí)的無云污染圖像。

在訓(xùn)練時(shí)先固定生成器、訓(xùn)練鑒別器，而后交替迭代進(jìn)行。

在網(wǎng)絡(luò)設(shè)置上，生成器G基于編碼器- 解碼器模型，鑒別器D基于CNN. 表1和表2分別給出了生成器和鑒別器的詳細(xì)信息，其中Conv、Transconv、BN、s2和p1分別代表卷積、轉(zhuǎn)置卷積、批標(biāo)準(zhǔn)化、步長(zhǎng)為2和填充補(bǔ)0操作，Conv4×4表示用大小4×4的核進(jìn)行卷積操作，同理Transconv4×4表示相同大小的核進(jìn)行轉(zhuǎn)置卷積操作，F(xiàn)ully-Connected 1000表示1 000個(gè)神經(jīng)元的全連接層，Relu[24]、tanh和LeakyRelu[19]代表激活函數(shù)。

表1 生成器的網(wǎng)絡(luò)結(jié)構(gòu)

表2 鑒別器的網(wǎng)絡(luò)結(jié)構(gòu)

為了避免特征映射中的信息丟失，本文取消所有池化層，在鑒別器使用步幅卷積、生成器使用轉(zhuǎn)置卷積進(jìn)行替換，增加訓(xùn)練的穩(wěn)定性；BN將特征層的輸出歸一化到一起，可以加速并穩(wěn)定訓(xùn)練過程，但在所有層上直接運(yùn)用BN會(huì)導(dǎo)致樣本振蕩和模型不穩(wěn)定，通過在G的輸出層不采用BN可以防止這一問題；在鑒別器中使用LeakyRelu而不是Relu，防止出現(xiàn)梯度稀疏。

生成器G的編碼器模型用學(xué)習(xí)圖像數(shù)據(jù)集的低維特征表示，在編碼器模型完成時(shí)加上一個(gè)輸出為1 000個(gè)神經(jīng)元的全連接層，隨后接入一個(gè)結(jié)構(gòu)對(duì)稱的解碼器模型，將學(xué)習(xí)到的特征映射到樣本標(biāo)記空間。鑒別器D是一個(gè)二分類器，輸入為生成圖像和真實(shí)圖像，用CNN逐層降采樣，通過一個(gè)全連接層輸出判別為真或假。通過多次實(shí)驗(yàn)，采用每訓(xùn)練5次生成器、訓(xùn)練1次鑒別器的訓(xùn)練策略，可以更好地平衡GAN訓(xùn)練的穩(wěn)定性。

1.2 構(gòu)建損失函數(shù)

使用生成圖像和真實(shí)圖像在云區(qū)范圍內(nèi)之差的L2范數(shù)(重建損失)作為整體內(nèi)容約束，捕獲受污染云區(qū)的整體結(jié)構(gòu)及其與背景的一致性，公式為

(2)

(3)

在圖像修復(fù)過程中，噪聲會(huì)被放大，給復(fù)原結(jié)果帶來影響，因此需要在最優(yōu)化問題模型中添加一些正則項(xiàng)來保持圖像的光滑性。這里引入總變差損失Ltv[25]：

(4)

綜上所述，本文采用的聯(lián)合損失函數(shù)為

Ltot=λrecLrec+λadvLadv+λtvLtv，

(5)

式中：λrec、λadv和λtv分別為對(duì)應(yīng)損失函數(shù)的極值，通過交叉檢驗(yàn)，λrec和λadv分別取0.999和0.001，λtv取1×10-6.

1.3 后處理

通過本文方法雖然可以得到較為合理地云區(qū)填充效果，但有時(shí)會(huì)在生成區(qū)域和其背景之間產(chǎn)生一些顏色差異或邊界偽跡，使用泊松圖像編輯作為后處理方法來避免這個(gè)問題，其主要思想是把原圖的梯度信息賦予到目標(biāo)圖像上，通過插值重新構(gòu)建出目標(biāo)區(qū)域內(nèi)的像素。

泊松方程[22]可表示為

(6)

本文方法流程如圖2所示。

圖2 本文方法流程示意圖Fig.2 Flow chart of the proposed method

方法步驟如下：

1)人工模擬云區(qū)掩膜，按(2)式作用于訓(xùn)練樣本，模擬含云圖像，與不含云樣本輸入生成器(見表1)和鑒別器(見表2)；

2)按(5)式構(gòu)建的損失函數(shù)進(jìn)行訓(xùn)練，更新生成器和鑒別器的參數(shù)；

3)訓(xùn)練結(jié)束，將真實(shí)含云的測(cè)試圖像進(jìn)行云檢測(cè)，得到云區(qū)掩膜，按(2)式作用于圖像，輸入已訓(xùn)練好的生成器中，得到中間去云結(jié)果；

4)將中間結(jié)果按(6)式進(jìn)行泊松圖像編輯處理，得到最終結(jié)果。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

本文采集了83張尺寸為7 360像素×4 912像素的合肥地區(qū)航拍圖像，將其分割成尺寸為256像素×256像素的小圖像，再根據(jù)土地利用類型將小圖劃分為11 468張建設(shè)用地、14 023張土壤、11 170張植被和7 195張水體圖像作為數(shù)據(jù)集分別進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，訓(xùn)練集和測(cè)試集按8∶2的比例任意分割。數(shù)據(jù)集已經(jīng)公開，地址為https:∥pan.baidu.com/s/1crVAG3PamwInOTFMfauFbg，可供下載使用。所采用的實(shí)驗(yàn)平臺(tái)：操作系統(tǒng)Windows 10，編程軟件Python 3.6，GPU Quadro K2200，CPU Xeon E5-1620.

2.2 模擬云污染圖像

厚云的存在完全遮擋了地面景物信息，因此本文用掩膜直接在原圖上覆蓋一塊區(qū)域模擬被厚云污染圖像，如圖3(b)所示；另外，為了學(xué)習(xí)到圖像中的更多高層特征，還模擬了中心區(qū)域掩膜作為預(yù)訓(xùn)練，如圖3(a)所示。本文只考慮圖像中只有一朵云的情況，且其尺寸不超過圖像的1/4.

圖3 兩種掩膜策略Fig.3 Two kinds of region masks

2.3 訓(xùn)練過程

在訓(xùn)練時(shí)，首先訓(xùn)練中心掩膜圖像作為初始模型，在這種情況下，網(wǎng)絡(luò)傾向于學(xué)習(xí)邊界附近的低層圖像特征，這不足以生成更為精細(xì)的圖像，生成的圖像具有明顯的邊界效應(yīng)。完成中心掩膜圖像的訓(xùn)練后，保存模型的檢查點(diǎn)，在此基礎(chǔ)上再進(jìn)行模擬厚云掩膜訓(xùn)練，提高特征學(xué)習(xí)的泛化能力。總共進(jìn)行了200輪訓(xùn)練，批尺寸為25(隨機(jī)抽取)。

表3為建筑用地?cái)?shù)據(jù)集訓(xùn)練過程，第2列為輸入圖像，第3列是生成圖像。訓(xùn)練初始階段，圖像修復(fù)質(zhì)量較差；訓(xùn)練200輪后，修復(fù)質(zhì)量已明顯提高。圖4為訓(xùn)練200輪的第1幅圖局部放大，此時(shí)人眼已難辨認(rèn)生成圖像的真假?？梢姡S著訓(xùn)練的繼續(xù)，網(wǎng)絡(luò)模型不斷優(yōu)化，生成器的預(yù)測(cè)圖像越來越接近真實(shí)樣本，鑒別器判別真假樣本的能力越來越強(qiáng)。

表3 建筑用地?cái)?shù)據(jù)集訓(xùn)練過程

Tab.3 Building land data set training process

圖4 建筑用地?cái)?shù)據(jù)集的輸入和生成結(jié)果Fig.4 Input sample and generated result of building land data set

2.4 實(shí)驗(yàn)結(jié)果分析

在將測(cè)試圖像進(jìn)行云去除之前，先對(duì)圖像進(jìn)行云區(qū)自動(dòng)檢測(cè)，這樣無需手動(dòng)標(biāo)注，提升了方法的準(zhǔn)確性和實(shí)時(shí)性。

經(jīng)過云檢測(cè)的圖像輸入DCGAN模型，得到初步修復(fù)結(jié)果，但圖像會(huì)在生成區(qū)域和其背景之間產(chǎn)生一些顏色差異或邊界偽跡，這里使用泊松圖像編輯作為后處理方法，如圖5所示。

圖5 泊松圖像編輯結(jié)果Fig.5 Result of Poisson image editing

為了驗(yàn)證本文方法的有效性，選取了兩類經(jīng)典的非學(xué)習(xí)修復(fù)方法(文獻(xiàn)[26]方法、文獻(xiàn)[27]方法)和一類基于機(jī)器學(xué)習(xí)的修復(fù)方法(文獻(xiàn)[28]方法)進(jìn)行對(duì)比實(shí)驗(yàn)。本文的優(yōu)化算法采用文獻(xiàn)[29]算法，學(xué)習(xí)率為0.000 2. 在訓(xùn)練時(shí)，使用隨機(jī)翻轉(zhuǎn)數(shù)據(jù)增強(qiáng)操作增加數(shù)據(jù)量。

為了便于對(duì)比，本文使用了兩種模擬云掩膜隨機(jī)掩蓋4類測(cè)試樣本，用本文方法及對(duì)比方法進(jìn)行去云，部分結(jié)果如表4和表5所示，表中第3行和第5行是對(duì)應(yīng)的放大圖像。需要注意的是，文獻(xiàn)[28]方法的結(jié)果均出現(xiàn)無序紋理，沒有實(shí)現(xiàn)云區(qū)的有效填充，原因是本文的數(shù)據(jù)庫(kù)是航拍圖像，地面紋理特征復(fù)雜，樣本不滿足獨(dú)立同分布。

表4 建筑用地和土壤的結(jié)果對(duì)比

Tab.4 Comparison of processed results of building land and soil

表5 植被和水體的結(jié)果對(duì)比

表4中第1組對(duì)比是一個(gè)運(yùn)動(dòng)場(chǎng)，模擬云區(qū)遮擋了綠色場(chǎng)地中的紅色半圓。文獻(xiàn)[26]方法的結(jié)果錯(cuò)誤地把上方矩形區(qū)域中的紋理特征填充到缺失部分，文獻(xiàn)[27]方法的結(jié)果在圓形輪廓的左上部出現(xiàn)尖狀突起，本文方法完整地填充了缺失的半圓。在表4的土壤對(duì)比中，文獻(xiàn)[26]方法和文獻(xiàn)[27]方法的結(jié)果使道路變窄，而且文獻(xiàn)[27]方法的結(jié)果較為模糊，本文方法的結(jié)果邊緣銜接更自然。表5的第1組是植被圖像的對(duì)比，所用到的圖像在中間部分有一塊沒有植被，其他對(duì)比方法只是簡(jiǎn)單地用學(xué)習(xí)到的植被紋理補(bǔ)充缺失的部分，忽視了語義特征，從原圖可以發(fā)現(xiàn)云區(qū)污染區(qū)域的中間沒有植被，兩側(cè)的植被沒有連在一起。本文方法意識(shí)到了這一點(diǎn)，通過學(xué)習(xí)圖像的高層語義特征，給出了更符合原圖信息的修復(fù)結(jié)果。表5的第2組是水體圖像的修復(fù)對(duì)比，文獻(xiàn)[26]方法擴(kuò)大了水草的面積，文獻(xiàn)[27]方法的結(jié)果模糊了水草信息，本文方法較為完整地修復(fù)了水草信息。綜上，本文方法結(jié)果的主觀表現(xiàn)優(yōu)于其他對(duì)比方法。

為了衡量本文方法的效果，采用峰值信噪比 (PSNR)和結(jié)構(gòu)相似性 (SSIM)[30]兩種圖像質(zhì)量評(píng)價(jià)指標(biāo)定量分析去云效果，結(jié)果如表6所示。PSNR值越大、SSIM值越接近于1，說明兩幅圖像越相似，即恢復(fù)圖像越接近于真實(shí)圖像。從表6中可以看出，本文方法的總體參數(shù)表現(xiàn)優(yōu)于其他對(duì)比方法。

表6 去云效果參數(shù)對(duì)比

為進(jìn)一步驗(yàn)證方法的有效性，本文又對(duì)40幅真實(shí)的航拍云污染圖像(256像素×256像素)進(jìn)行了對(duì)比實(shí)驗(yàn)，限于篇幅，選擇了3幅含有不同大小和形狀云區(qū)的圖像進(jìn)行了對(duì)比，結(jié)果如表7所示。

表7 航拍含云圖像去云結(jié)果對(duì)比

Tab.7 Comparison of processed results of aerial image

由于航拍含云圖像無對(duì)應(yīng)的無云圖像作為參考，對(duì)真實(shí)航拍云污染圖像去云效果的評(píng)價(jià)，只能采用無參考的圖像質(zhì)量評(píng)價(jià)方法。本文采用自然圖像無參考質(zhì)量評(píng)價(jià)算法(NIQE)[31]和改進(jìn)的自然圖像無參考質(zhì)量評(píng)價(jià)算法(IL-NIQE)[32]兩項(xiàng)指標(biāo)作為評(píng)價(jià)依據(jù)，并對(duì)其評(píng)價(jià)結(jié)果用3個(gè)參數(shù)指標(biāo)加以表征：皮爾森線性相關(guān)系數(shù)(PLCC)、斯皮爾曼相關(guān)系數(shù)(SROCC)、均方根誤差(RMSE)。其中PLCC和RMSE可度量算法的準(zhǔn)確性，SROCC則為算法單調(diào)性度量，反映了算法測(cè)試值與平均主觀得分差(DMOS)值一致的程度。PLCC和SROCC值越大，算法測(cè)試值與DMOS值相關(guān)性越好，RMSE越小，模型測(cè)量誤差越小。實(shí)驗(yàn)結(jié)果如表8所示。

表8 無參考圖像質(zhì)量評(píng)價(jià)結(jié)果對(duì)比

由表7和表8可發(fā)現(xiàn)，本文修復(fù)方法不僅在視覺主觀感知上優(yōu)于其他對(duì)比方法，而且相較于其他3種方法，SROCC和PLCC均取得了最大值，RMSE取得了最小值，評(píng)價(jià)結(jié)果與主觀感知相一致，驗(yàn)證了本文方法的有效性。

此外，本文對(duì)4類方法在不同的數(shù)據(jù)集上進(jìn)行了運(yùn)行時(shí)間比較，共測(cè)試500幅圖像，每類方法對(duì)1幅圖像修復(fù)的平均運(yùn)行時(shí)間如表9所示。

表9 方法運(yùn)行時(shí)間結(jié)果對(duì)比

由于文獻(xiàn)[26]方法采用的是圖像金字塔重建的修復(fù)方法，所以耗時(shí)最長(zhǎng)；文獻(xiàn)[28]方法盡管也是機(jī)器學(xué)習(xí)方法，但需要進(jìn)行二次優(yōu)化，因此耗時(shí)較長(zhǎng)；文獻(xiàn)[27]方法的耗時(shí)主要在sift配準(zhǔn)環(huán)節(jié)，性能較佳；而本文方法盡管訓(xùn)練耗時(shí)長(zhǎng)，但實(shí)際運(yùn)行時(shí)無需再優(yōu)化，只需神經(jīng)網(wǎng)絡(luò)的前向運(yùn)行和泊松編輯處理，具有較高的運(yùn)算效率，所需時(shí)間最短。

3 結(jié)論

本文嘗試將航拍圖像中的厚云去除和圖像修復(fù)工作中的缺失部分復(fù)原聯(lián)系起來，提出了一種基于DCGAN的航拍圖像修復(fù)去厚云方法。DCGAN生成器采用編碼器- 解碼器模型，鑒別器為卷積神經(jīng)網(wǎng)絡(luò)，以對(duì)抗損失作為損失函數(shù)；進(jìn)而引入泊松圖像編輯平滑修補(bǔ)邊界；在自建數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)驗(yàn)證方法的可行性。實(shí)驗(yàn)結(jié)果表明：相比于傳統(tǒng)的重建恢復(fù)方法，DCGAN模型能夠有效地學(xué)習(xí)圖像的高層語義特征；總變差損失函數(shù)的加入以及泊松編輯處理有助于平滑圖像及其邊界，提高圖像質(zhì)量；DCGAN模型前向運(yùn)算速度快，有助于實(shí)際應(yīng)用。

由于圖像修復(fù)理論和深度學(xué)習(xí)技術(shù)的發(fā)展，下一步對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)進(jìn)行優(yōu)化，在搜集大量真實(shí)含云圖像樣本的基礎(chǔ)上引入新方法加以實(shí)驗(yàn)對(duì)比。