光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...