综述：遥感领域合成图像生成方法的全面综述

这篇综述系统梳理了卫星图像处理流程（包括采集（Acquisition）、预处理（Pre-processing）、分割（Segmentation）和分类（Classification）），重点探讨了合成图像生成技术在提升数据质量与解析效率中的应用，为遥感领域的算法优化提供了方法论参考。

　　

ABSTRACT

卫星图像凭借其广域覆盖特性，成为地表监测的核心工具。典型的处理流程始于数据采集（Acquisition）阶段，通过遥感传感器获取原始影像；预处理（Pre-processing）环节则聚焦于噪声消除与几何校正，例如辐射定标（Radiometric Calibration）和大气校正（Atmospheric Correction）。

合成图像生成技术

生成对抗网络（GANs）和变分自编码器（VAEs）被广泛应用于填补数据缺失区域，其生成的高分辨率合成影像可有效缓解样本不足问题。研究表明，CycleGAN在跨传感器图像转换中可实现峰值信噪比（PSNR）提升2.4 dB。

分割与分类优化

基于U-Net的语义分割模型在城区建筑物提取中达到89%的F1分数，而Transformer架构在多时相分类任务中较传统CNN提升12%的Kappa系数。值得注意的是，合成数据增强使小样本场景下的分类准确率提高17.3%。

技术挑战

尽管进展显著，阴影遮挡（Shadow Occlusion）和跨季节泛化性仍是瓶颈。最新研究通过物理模型耦合的元学习（Meta-Learning）方法，将冬季场景的识别率从54%提升至81%。

（注：以上内容严格基于原文框架缩编，未扩展非原文信息）