论文总结（一）—基于深度学习的普通遥感图像质量改进

论文名称：

A universal remote sensing image quality improvement method with deep learning
链接：https://ieeexplore.ieee.org/document/7730813/

目的：

1论文的创新点在那里
2论文使用的模型怎么改进
3样本集的选取

正文笔记

1摘要：
文章提出了一个idea，对于收集到的有特殊退化因子的航拍图像进行了CNN的训练，然后应用此模型去解决这个任务。实验表示，能够很好的完成。
2介绍：
退化函数 g=DHf+η
其中f是重构目标，g是观测目标，H是模糊核函数，D是空域下采样，η是加性噪声。
对于不同的问题，我们通常分开讨论这些影响因子。比如，图像去燥不考虑H，图像去模糊不考虑η，D只在图像超分辨问题中被考虑。
3相关工作
为了简化这个问题，先对g进行上采样，那么重构模型可以表示为

传统的方法是致力于H和η去解决这个问题，这通常需要未知的先验知识，例如 H和η的强度和分布。
近些年，相关的研究一直在致力于提出一种端对端（end-to-end）的映射，能够直接构建g到f的映射关系，深度学习模型能够满足这种条件。
CNN在ILSVRC2012上展示了强大的性能，最近，CNN也被成功的应用到了超分辨【3】，去燥【4】，去模糊【56】和图像修复【7】。
然而，相对于自然图像，对于遥感图像处理，这方面的研究还是比较少的。因此，我们做了一些实验，把CNN作为一个通用的框架应用到不同类型的图像上，去改善图像的质量。

4方法

CNN的相关原理，这里不多赘述。

5实验

5.1超分辨

重头戏来了，应该是改变了网络的结构，和其他文献相比，获得了更好的结果
训练：我们选择了 UC Merced Landuse数据去进行仿真实验。

先打球去，明天继续。

2017.03.05
The top 5 classes with most average standard deviation were selected, and for each class, 15 images with most single standard deviation were picked for testing and the rest 85 images were for
training。
在试验中，平均标准差最高的5类被选取，对于每一类，最单一标准差
的图像被选取作为测试，剩余的85幅图像作为训练。
tips：样本的涵盖性，以标准差为评判尺度，说明了训练样本和91image图像的区别。遥感图像也应该选取一个类似于标准差的数据评判尺度和91image做对比，这样更加严谨

表一线束了landuse数据集的train和test与91image数据集和set5、set14的标准差对比。
使用landuse的光学通道进行试验，为了模拟公式中的D，使用双三次插值进行下采样。
tips：也就是说通过下采样，来获得模拟的低分辨率的观测结果g,那么遥感图像采用什么方法获得模拟的低分辨率图像最为科学呢？

重点来了：,SRCNN提出的结构，网络层数为3层，层数32-16-1，每层的核大小9-1-5，我们使用了更小的参数设置，层数10-10-1，每层的核大小7-3-5，然后我们花费了1500万次迭代就收敛了，而SRCNN迭代8亿次。

tips：可是srcnn的demo中明明也是1500万次啊，这个细节以后再验证吧

测试：我们把训练好的网络使用75image数据集来进行测试，然后和SRCNN，GR和ANR进行对比。表而成功的显示了我们的方法能够拥有更好的精度和速度。

验证：为了证明我们设计的CNN在实测遥感图像上的能力，我们也训练了scale=4的网络，然后测试他在快鸟多光谱图像（RGB 分辨率2.4m）不是全通道（0.6m）,2000×2000大小的图像被分割成500×500的小图像。

5.2高光谱图像去燥
对于训练去燥网络，我们简单的使用了上节制作的样本集。我们对每副图像都添加了【0.04,0.2】的噪声。经过1000万次训练迭代，我们的网络对两幅遥感图像进行盲去燥 blind denoising，实验结果和维纳滤波、BM3D【13】进行对比，结果在表3和图3。

4.3非均匀去雾
非均匀雾化在遥感图像上是一个公共的退化因子，它的过程模型可被描述为

其中，t是传播介质，A是地球大气光线。暗通道先验理论被应用到从雾化图像中去除A的估计。因此前面的数据集和框架同样能用来解决这个问题，我们从6对雾化和没雾化的遥感图像中，选择了一个小的数据集，然后训练我们的网络，然后对实测雾化图像进行测试，结果如图4.

6总结
1 我们介绍了CNN模型对遥感图像质量改进，实验显示在数据集上能够获得很好的效果。因此，在遥感图像处理领域，我们期望对深度学习模型有更深入的研究应用。

2 此外，对于论文中的所有图像，光谱成分没有恢复，在深入的研究中这应该被考虑。
在去燥试验中，正则化的缺少导致了细节部分的有较小的减少
3最近对于普通图像的正则化网络被提出，并有很好的效果。这在CNN的前景上是值得期待的。