耦合统计信息与物理机制的遥感影像云雾校正研究

Remote sensing images are frequently degraded by the uneven atmosphere especially the cloud or haze, which greatly attenuates the application efficiencies and precisions of the remote sensing data. The new thin cloud and haze correction methods for visible and thermal infrared remote sensing images are proposed in this project, which couple the spatial, spectral and temporal statistical information mined from the observing images and the imaging mechanisms by using new models and frameworks with stronger abilities of inclusiveness and generalization. Firstly, the spatial-band adaptive correction method for the single remote sensing images is developed by deeply mining and jointing the features for separating the surface and the thin cloud and haze. Secondly, the variational correction model for multi-temporal remote sensing images is developed by integrating the statistical information and scattering theory from multi-source data. Thirdly, the spectral information mining based correction method is developed by fully considering the nonlocal information and the complementation and correlation between bands. Finally, the neural network based land surface temperature retrieval and correction method for thermal infrared images is developed by constructing the band fusion model. This study aims to effectively raise the potential application abilities of remote sensing data by making innovations in the theory and the methodology, which is of significant theory and application values.

遥感影像经常受到云、雾的影响，极大地制约了其利用效率与应用精度。本项目拟深入挖掘遥感影像空间、光谱和时间等多维统计信息，研究和发展耦合统计信息与物理机制的遥感影像云雾校正模型与方法。主要思路是：充分挖掘复杂场景中地表与云雾的分离特征，发展空间波段自适应的单幅遥感影像云雾校正方法；集成多源数据的时空谱信息，发展以散射理论为约束的多时相遥感影像云雾变分校正方法；充分顾及非局部信息和波段互补与相关性，发展基于多谱段信息挖掘的遥感影像云雾校正方法；利用波段差异的尺度不变性建立融合推演模型，发展基于神经网络的地表温度反演与云雾校正方法。本项目通过理论与方法的创新，可大幅提升遥感数据应用潜力，具有重要的理论与应用意义。

在遥感对地观测过程中，光学传感器的成像过程极易受到薄云雾的影响。薄云雾会阻碍辐射传输路径，导致遥感图像质量下降，从而限制遥感数据的应用潜力。因此，发展稳健的薄云雾校正算法具有重要的研究意义。项目以“无辅助-时相辅助-谱段辅助-热红外影像”的数据条件为索引，开展云雾校正算法研究。针对无辅助数据，通过提出非匀质大气光估计模型、高亮地表指数以及基于梯度的透射率修正策略，发展了空谱自适应薄云校正方法。针对时相辅助数据，通过耦合了云成像机理与数据驱动方法，拓宽了参考数据的时空边界，发展了一种基于生成对抗网络的不配对薄云雾校正方法。针对具有卷云相关波段的数据，构建了反映云雾波段相关性的散射理论，提出了一种耦合波段约束与统计关系的云雾校正方法。针对具有短波红外波段的数据，提出了顾及散射模型的相似像元高精度匹配方法，并建立了空谱马尔科夫云雾校正模型实现薄云去除。针对热红外影像，在充分利用模式同化数据和卫星遥感数据的基础上，提出了集成多源异构数据的非局部注意力机制卷积神经网络应用于地表温度重建任务。项目采用多种类型的航天航空影像开展实验，结果表明，提出的方法可有效去除云雾提升遥感数据的质量，且校正结果在空间细节和光谱特征上相较于其他方法均具优势。项目提出的物理机制与统计信息耦合方法，能够为当前该热点方向进一步耦合学习模型提供重要参考。按照既定的研究计划，项目圆满完成了课题设定的研究内容，实现了预期目标，并在研究的深度和广度上都有了进一步扩展。在项目资助下，项目组在高质量学术期刊及国际会议上发表学术论文10篇，其中SCI检索8篇，EI检索2篇；申请发明专利2项；在人才培养方面，项目组培养硕博研究生8名。