GAN在遥感影像脱敏中的应用

地理信息成果是国家重要的基础性、战略性信息资源，而地理信息安全事关国家的主权、安全和发展。根据测绘地理信息安全与保密管理有关规定，高分辨率遥感影像必须经过脱密、脱敏等处理后才能公开发布。

本文提出一种基于生成式对抗网络（Generative Adversarial Networks，GAN）的遥感影像脱敏方法，可针对遥感影像中的敏感区域生成合适的替代内容；与传统方法相比，本文方法处理效率更高、视觉更真实、结构更合理，有助于推动遥感影像的开放和社会化应用。

随着遥感技术的飞速发展，遥感影像的空间分辨率、时间分辨率和光谱分辨率越来越高，可以获取到丰富和详实的地物信息，因此，遥感影像在自然资源调查监测、城市管理、精准农业等领域应用广泛。在遥感影像充分利用的同时，数据脱敏和隐私保护也更加重要，根据测绘地理信息安全与保密管理有关规定，高分辨率遥感影像必须经过脱密、脱敏等处理后才能公开发布。

图1为卫星采集到的乌克兰边境军事区域的遥感影像，对外提供遥感影像时应该对该区域进行隐藏处理。在实际的遥感影像脱敏处理工作中，存在生成的敏感区域替代内容不真实、人工工作量大等缺点。而生成式对抗网络（Generative Adversarial Networks，GAN）是一种先进的无监督学习方法，在图像生成领域取得了卓越的成就，可以为实现遥感影像的信息安全提供重要的解决思路。

GAN的想法非常巧妙，它会创建两个不同的对立的网络，目的是让一个网络生成与训练不同的且足以让另外一个网络难辨真假的样本。“图灵学习”本质上可以对GAN进行概括。相关的“图灵测试”是广为人知的概念，即计算机试图与人对话并让人误以为它也是一个正常人类。“图灵测试”类似于GAN中generator（生成器）的目标，试图欺骗的是对应的“adversary”—discriminator（鉴别器）。

图2为GAN模型的经典范式。第一步，将随机噪声被输入到生成器，生成器生成一张图像；第二步，训练判别器，真实图像和生成图像分别是正负样本对，用来训练判别器识别真实和生成样本的能力；第三步，训练生成器，只把生成图像输入到判别器中，用来提示生成器生成样本的质量；第四步，进行生成器和判别器这两个子模块的训练交替，使生成器能够生成逼真样本，判别器也能鉴别输入的真伪。

图3为基于GAN的遥感影像脱敏方法的流程图，首先在影像上标识敏感区域，生成敏感区域的掩模，然后将处理后的数据输入到生成器中，生成脱敏后的图像，生成图像和真实图像都被输入到判别器，用来训练判别器的鉴别能力。GAN模型的生成器采用了Aggregated Contextual Transformation GAN（简称AOT-GAN），AOT-GAN中的核心模块是AOT-Block和Conv Block，如图4所示。

AOT-Block采用的是分流、变换、融合的三步法（如图5所示）。第一步分流：将常用的单线卷积去掉，代之以多路径卷积，实现功能的分流，每个路径输出通道减少，例如，将一个具有256输出通道的内核分成4个路径，使每条路径有64个输出通道。第二步变换：对每条路径的卷积设置不同的膨胀率参数，使用不同的膨胀率可以让该路径的卷积看到不同尺度的图像，因而能获得不同尺度的特征。第三步融合：不同路径的卷积获得的特征，最后聚合在一起，使每个像素能获得不同尺度的特征，增强了上下文的一致性。

选取三组实验数据来验证本文方法，数据A和数据B为分辨率为0.5米的卫星影像，数据C为分辨率为0.1米的无人机影像。实验过程如下图所示。

数据A为典型的乡村地区，这里以民房为假想的“敏感区域”，对其进行脱敏处理，结果如图7所示。所有民房均被正确移除，原始区域被填补上与周围环境一致的内容，如农田、草地、道路、树林等。

大型目标的脱敏处理具有较高的技术难度，数据B以大型建筑物为假想的“敏感区域”。算法自动感知场景的上下文信息进行纹理的合成，如图8所示，填补后的区域过渡平滑，无明显处理痕迹。

将本文方法应用到无人机影像处理中，数据C以汽车等目标作为需要隐藏或脱敏的对象，如图9所示，经过智能化处理的影像更加“干净、整洁”。

本文以遥感影像的全自动脱敏为目标，结合深度学习领域的新技术、新方法，提出基于生成式对抗网络的处理方法，实现敏感内容的智能化移除，且在视觉上难以分辨。实验结果表明，该方法具有非常高的处理效率，并且适用于不同范围、不同类型的敏感区域的脱敏处理。下一步，我们将继续对本文方法进行优化和拓展，力争解决实景三维数据的脱敏处理问题。

近期精选