买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广西壮族自治区自然资源遥感院申请的专利一种基于SAR-光学遥感影像联合的深度学习去云方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115809970B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211651396.7，技术领域涉及：G06T5/77；该发明授权一种基于SAR-光学遥感影像联合的深度学习去云方法是由刘润东;黄友菊;罗恒;龙超俊;吴慧;韩广萍;农志铣;祖琪设计研发完成，并于2022-12-21向国家知识产权局提交的专利申请。

本一种基于SAR-光学遥感影像联合的深度学习去云方法在说明书摘要公布了：本发明提供一种基于SAR‑光学遥感影像联合的深度学习去云方法，具体步骤为：制作SAR和对应的光学遥感影像数据集，包括训练样本数据集、测试样本数据集和测试样本数据集；搭建SAR‑光学迁移模型，训练并优化迁移模型至收敛，输入测试样本数据集中的SAR影像至迁移模型中生成伪光学影像，完成SAR‑光学迁移；搭建光学影像云区重建模型，训练并优化重建模型至收敛，成对输入测试样本数据集中的伪光学和云覆盖影像至重建模型中，生成无云的光学影像。本发明可以充分利用SAR影像对云层的穿透特性，为云去除方法提供更多真实的参考信息，提高了网络在云覆盖区域重建的可靠性，完成高效率高精度的遥感影像厚云去除任务。

本发明授权一种基于SAR-光学遥感影像联合的深度学习去云方法在权利要求书中公布了：1.一种基于SAR-光学遥感影像联合的深度学习去云方法，其特征在于，包括以下步骤： S1数据预处理：输入待处理的SAR与光学遥感影像，实行地理坐标配准、数据增强和归一化预处理，获取地理坐标对应的SAR-光学遥感影像数据集； S2构建SAR-光学迁移的样本数据集：在S1构建的SAR-光学遥感影像数据集基础上，构建三个类型SAR-光学配对的迁移样本数据集，分别为：训练样本数据集、验证样本数据集、测试样本数据集； S3搭建、训练并调整SAR-光学影像迁移模型：构建SAR-光学影像迁移模型，批量输入SAR训练样本到SAR-光学影像迁移模型中，以配对的光学训练样本作为指导，采用自适应矩估计优化算法，训练迁移模型，训练过程中，采用验证样本数据集上评估迁移模型精度，调整优化模型权重，经过多次完整训练后完成模型收敛； S4生成SAR-光学迁移的伪光学影像：基于S3完成训练的迁移模型，输入S2的测试样本数据集中的SAR影像，将SAR影像迁移为RGB三通道的伪光学影像，作为云覆盖区域信息重建的辅助数据；所述S4中采用编码-解码结构搭建搭SAR-光学影像的迁移模型，所述编码-解码结构包括：五个编码器及其对应的解码器，并且网络瓶颈处额外添加四个残差连接模块，所述编码器为执行下采样操作的卷积层、实例归一化层和泄露修正线性单元的组合，所述解码器包含执行上采样操作的反卷积层、实例归一化层和修正线性单元，每个编码器与对应解码器间通过跳跃连接相关联； S5构建云区信息重建样本数据集：重建数据集包含真实光学影像、S4获得的伪光学影像、随机模拟云覆盖影像，重建数据集按比例分为：云区训练样本数据集、云区验证样本数据集、云区测试样本数据集； S6搭建、训练并调整并训练云区信息重建模型：构建云区信息重建模型，批量成对输入伪光学影像、模拟云覆盖影像至重建模型中，以真实光学影像作为指导，采用自适应矩估计优化算法，训练迁移模型，训练过程中，在验证样本数据集上评估迁移模型精度，调整优化模型权重，经过多次完整训练后完成模型收敛；S6中构建云区信息重建模型，重建模型采用生成对抗网络框架，所述生成对抗网络框架由生成器和判别器组成，其中生成器采用与SAR-光学迁移模型相同的编码-解码结构，将云覆盖影像重建为无云影像，判别器模型采用五层卷积网络结构，第一至第四层为卷积层、实例归一化和修正线性单元的组合，用于提取影像的特征，判别器的最后模块为单层卷积层，用于输出鉴别结果； S7在测试样本数据集去除厚云：基于S6完成训练的重建模型，批量输入云区测试样本数据集中配对的伪光学影像和云覆盖影像，生成无云的光学影像，完成厚云去除任务。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广西壮族自治区自然资源遥感院，其通讯地址为：530000 广西壮族自治区南宁市良庆区冬花路21号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。