融合YOLOv5s与Criminisi算法的农业遥感图像去云方法研究

1.引言

    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。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。2

       2.研究方法

   首先，通过DCP算法和同态滤波(homomorphic filtering, HF)算法对原始图像进行部分雾和薄云的去除，利用主观评价和客观评价对结果进行对比并选择最佳预处理图像。其次,为获得完整的云层区域，本研究融合YOLOv5s深度学习网络与图像阈值分割提取得到精确的云层蒙版图像，并在传统Criminisi算法基础上，利用样本块大小自适应调整策略对其进行改进。最后，利用改进后的Criminisi算法实现农业遥感图像的去云工作 。

薄云预处理

为抑制厚云边缘的薄云和雾可增强其他地表信息，同时避免Criminisi算法修复时出现误填充。本研究对比了DCP算法与HF算法进行薄云和雾的预处理，并利用主观评价和客观评价对处理结果进行分析。

使用传统的DCP算法在去除薄云时会造成图像亮度偏暗，并且对于明亮的天空区域修复效果较差。为此，本研究采用基于容差的DCP算法对遥感图像进行预处理[22]，通过引入容差机制校正明亮区域的透射率，然后利用引导滤波进一步细化透射率，从而在去除薄云和雾的同时有效改善色彩偏离问题，为Criminisi算法去除厚云奠定基础。

从频域角度分析，图像中薄云遮挡的区域分布于低频，而其他纹理丰富的区域分布于高频。本研究使用HF算法将亮度非线性变换和高通滤波结合，通过对数变换实现低频与高频分量的分离，并使用高通滤波器抑制低频信息而增强高频信息，实现薄云和雾的预处理。经试验，为避免振铃现象，本研究优先选用10阶巴特沃斯高通滤波器。

 

云层蒙版图像获取 Criminisi算法依靠云层边界像素块匹配对云层蒙版区域进行修复，云层蒙版过小会导致修复结果中仍存在云层信息，云层蒙版过大则导致图像的有用信息缺失，修复区域纹理单调且真实度低，故云层区域的精确检测对去云效果影响较大，因此本研究融合YOLOv5s与图像阈值分割实现云层蒙版图像的自动精确获取。

YOLOv5s网络由Input、Backbone、Neck和Output 4部分组成，利用回归思想，以一阶神经网络直接完成目标位置检测和分类。本研究通过搭建YOLOv5s深度学习网络，将制作好的数据集输入YOLOv5s进行150轮训练，利用精确率最高的模型对遥感图像进行云雾区域检测和定位。

将增强后的阈值分割图像与YOLOv5s云层检测效果进行融合处理。为去除分割结果中的噪声，提取到更为精确的云层蒙版图像，本研究选用5像素×5像素大小的“Square”模板对分割图像进行形态学的开运算卷积，去除图像中的小连通域及道路等条状目标，再使用相同大小的模板进行形态学的膨胀卷积，以确保获得的分割图像能完整覆盖云层边缘，融合YOLOv5s之后的阈值分割使图像中云雾信息的提取更加精确。

   Criminisi算法的改进、

  Criminisi算法通过寻找待修复区域的最佳匹配块进行图像修复。传统的Criminisi算法通过待修复区域边缘样本块的置信度和照度信息计算样本块修复优先级，然后将优先级最大的样本块进行搜索匹配，利用样本块误差平方和最小的匹配准则在完整区域中寻找最佳匹配块进行填充，接着完成置信度更新，即将修复后像素点的置信度替换为新边界待修复块的置信度。重复上述步骤，直到待修复区域为零。