申请/专利权人：江西师范大学

申请日：2023-12-08

公开（公告）日：2024-02-06

公开（公告）号：CN117372702B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/44;G06V10/52;G06V10/82;G06V20/10;G06N3/084;G06N3/0895;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.02.06#授权;2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本申请公开了一种自监督深度学习与模型方法相结合的云层去除方法及装置，该方法包括：获取待处理的多时相遥感图像，将待处理的多时相遥感图像输入至预设低秩正则化自监督网络模型中进行处理，生成与待处理的多时相遥感图像对应的目标多时相遥感图像。本方案通过预设低秩结构稀疏分解框架模型有效地探索了无云图像分量和云层分量的内在物理特性，提高了后续进行云层去除的准确性；另外，通过将基于自监督深度学习的预设引导式深度解码器网络模型捕捉到的深度先验集集成到预设低秩结构稀疏分解框架模型中，由于预设引导式深度解码器网络模型不需要外部训练数据，并采用自监督方法来优化网络参数，提高了进行云层去除的灵活性。

主权项：1.一种自监督深度学习与模型方法相结合的云层去除方法，其特征在于，所述方法包括：获取待处理的多时相遥感图像；其中，所述多时相遥感图像中包括无云图像分量及云层分量；将所述待处理的多时相遥感图像输入至预设低秩正则化自监督网络模型中进行处理，生成与所述待处理的多时相遥感图像对应的目标多时相遥感图像；其中，所述目标多时相遥感图像中仅包括所述无云图像分量，所述预设低秩正则化自监督网络模型是通过预设低秩结构稀疏分解框架模型及预设引导式深度解码器网络模型得到的，所述预设低秩结构稀疏分解框架模型是基于所述无云图像分量的第一物理特性及所述云层分量的第二物理特性得到的，所述第一物理特性用于表征所述无云图像分量呈下降趋势的奇异值特性，所述第二物理特性用于表征所述云层分量沿光谱维度的结构稀疏特性。

全文数据：

权利要求：

百度查询： 江西师范大学 自监督深度学习与模型方法相结合的云层去除方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD