目录
第1章绪论1
1.1研究的理论意义和实践价值1
1.2国内外相关研究现状2
1.3问题的总结与分析7
1.4本文主要研究内容7
1.5本文章节安排8
第2章GAN网络图像修复基本原理9
2.1生成对抗网络GAN简介9
2.2GAN网络修复图像原理10
2.2.1将图像解释为概率分布10
2.2.2生成对抗网络与图像修复11
2.3进行实验的三种网络模型简介12
2.4评价标准12
第3章CycleGan网络修复Landsat-7图像模型14
3.1模型整体架构14
3.2数据处理15
3.3生成器设计16
3.4判别器设计18
3.5激活函数设计19
3.6Loss函数设计21
3.6.1生成器损失21
3.6.2判别器损失21
3.6.3身份损失22
3.6.4总损失函数22
3.7模型训练过程的优化算法设计22
3.8训练模型过程23
3.8.1训练过程的一些相关参数23
3.8.2深度卷积对抗网络的图像生成网络训练步骤23
第4章实验结果与分析25
4.1实验环境配置25
4.1.1本地环境配置25
4.1.2对于无GPU配置的建议25
4.2模型的构建和训练结果的定性分析25
4.3定量分析27
4.4Loss分析28
4.4.1生成对抗损失分析28
4.4.2判别器损失分析29
4.4.3身份损失分析30
4.5分析总结30
结论31
参考文献32
摘要
摘要
Landsat-7号卫星由于扫描线纠正器失效造成扫描图像出现规律性条纹遮挡,
这种缺陷严重影响遥感图像在辐射传输计算?数值模式预报等方面的应用.但是
该图像对当时的地形?地貌以及气候的研究仍存在一定的价值.因此,对该类卫星
图像的修复成为一个值得研究的课题.
当下卫星图像修复已经开展了一些研究,但更多是对于局部失真以及小范围
的修复,对于此类图像的修复研究仍比较薄弱,并且当前对这类图像的修复主要
依赖原图像信息进行修复,这种方法会造成修复的像素与原图像特征相似度较高,
并且无法充分利用大量的Landsat-7号图像资源.本文针对以上问题,以生成对抗
网络为基础,提出了一种改进的GAN网络模型对此类图像进行修复研究.本文建
立了一个Landsat-7号卫星采集的图像数据集.根据此数据集进行图像修复实验,
经过比较多种GAN网络模型,最后得到一种图像修复效果较好的CycleGan网络.
该网络可以充分将历史图像数据用于该类图像的修复,并且能够实现像素缺损边
缘细节处的优化处理.为了更好的利用Landsat-7号卫星丰富的可参考图像资源,
模型在生成器上利用编码器?转换器?解码器的三重结构,其中在转化器上利用了
卷积块的形式充分提取图像特征,使图像信息损失达到最小,实现对像素缺损区
域边缘细节处的精确修复,模型经过大量迭代训练表明改进后的CycleGan网络
模型具有学习快?修复效果好等优势.最后通过PSNR指标以及SSIM指标,与其
它网络模型修复效果进行对比评价.实验结果表明,使用本文所提出的方法,能
够展现更好的修复效果.
关键词Landsat-7卫星;图像修复;生成对抗网络;CycleGan网络
-Ⅰ-
Abstract