声明
致谢
术语缩写表
1 绪论
1.1 研究背景与意义
1.2 国内外现状
1.2.1 基于图像变换的薄云去除方法
1.2.2 基于统计先验的薄云去除方法
1.2.3 基于机器学习的薄云去除方法
1.2.4 存在问题与不足
1.3 研究目的与内容
1.3.2 研究内容
1.4 论文组织结构
2 无监督学习下的“薄云-晴空”影像转换架构
2.1 薄云影像特性分析
2.2 生成对抗网络相关理论
2.2.1 生成对抗网络
2.2.2 循环一致对抗网络
2.3 基于循环一致对抗网络的影像转换模型
2.3.1 影像转换模型基本架构
2.3.2 影像生成器网络结构
2.3.3 影像判别器网络结构
2.3.4 损失函数
2.4 无监督影像转换训练框架
2.4.1 训练样本构建方案
2.4.2 超参数构造
2.4.3 训练流程
2.4.4 训练过程可视化
2.5 本章小结
3 影像转换架构下的薄云去除方法
3.1 影像转换模型去云的局限性分析
3.2 基于生成对抗网络的薄云特征提取算法
3.2.1 模型结构
3.2.2 损失函数
3.2.3 训练框架
3.3 薄云特征下的影像转换训练方案
3.4 影像色彩一致性约束
3.4.1 HSV色彩空间
3.4.2 影像色彩损失函数
3.5 实验与模型验证
3.5.1 实验数据
3.5.2 实验环境
3.5.3 薄云特征提取实验验证
3.5.4 训练方案优化实验验证
3.5.5 影像色彩损失函数实验分析
3.6 本章小结
4 遥感影像薄云去除效果综合分析与应用
4.1 不同薄云去除算法对比分析
4.1.1 影像视觉效果评价
4.1.2 影像质量客观评价
4.1.3 影像光谱特征分析
4.2 植被覆盖度估算应用分析
4.2.1 研究区域及数据
4.2.2 植被覆盖度估算方法
4.2.3 实验结果分析
4.3 水体提取应用分析
4.3.1 研究区域及数据
4.3.2 基于支持向量机的水体提取方法
4.3.3 实验结果分析
4.4 本章小结
5.1 研究总结
5.2 研究特色与创新
5.3 研究展望
参考文献
作者简历及攻读硕士期间科研成果
浙江大学;
