融合YOLOv5s与Criminisi算法的农业遥感图像去云方法研究

[目的]构建融合YOLOv5s与改进Criminisi算法的农业遥感图像去云方法,为云层干扰环境下地表信息获取、地表物的解译等研究提供支持.[方法]首先使用基于容差的暗通道先验(dark channel prior,DCP)算法去除雾和部分薄云,以提升图像整体对比度与云层边缘清晰度;然后融合YOLOv5s深度学习网络进行云层区域阈值分割,实现云层蒙版的快速精确自动提取;最后通过样本块大小自适应调整策略对Criminisi算法进行改进,实现遥感图像的有效去云修复处理.通过对含不同大小云层的遥感图像进行去云试验,并利用信息熵、峰值信噪比(peak signal-to-noise ratio,PSNR)、均方误差(mean-square error,MSE)和结构相似性(structural similarity index measure,SSIM)4个指标对去云结果进行评价,以验证本研究算法的有效性.[结果]采用融合YOLOv5s和自适应样本块的改进Criminisi算法对8幅含云图像进行了修复,修复后图像的平均PSNR为21.01,平均SSIM为0.77;并对57幅模拟加云图像进行修复,其平均PSNR为28.59,平均SSIM为0.93,表明将改进Criminisi算法应用于遥感图像去云研究是可行的.在此基础上,对本研究算法的适用性以及阴影对去云效果影响的研究表明,不同大小和位置的云层干扰造成未知区域不确定度较大,对修复效果影响较为严重;阴影区域与云区域相接时存在阴影块填充,修复效果尚有待提升.[结论]融合YOLOv5s与改进Criminisi算法的去云方法可有效修复云层遮挡区域,同时保留较为真实的地表信息,可用于农业遥感信息精细感知研究.