摘要：由于雾霾会影响所捕获遥感图像的质量,同时限制后端视觉应用的性能,因而文章提出一种双重注意力多尺度残差去雾网络。首先,重建大气散射模型,可结合大气光值与透射率求取大气光幂; 然后,利用端到端的深度学习模型完成遥感图像去雾,该网络包含浅层特征提取模块、深层数据提取

摘要

由于雾霾会影响所捕获遥感图像的质量,同时限制后端视觉应用的性能,因而文章提出一种双重注意力多尺度残差去雾网络。首先,重建大气散射模型,可结合大气光值与透射率求取大气光幂; 然后,利用端到端的深度学习模型完成遥感图像去雾,该网络包含浅层特征提取模块、深层数据提取模块、双映射网络和平行卷积重建模块; 最后,将该文方法与CARL-net,DFAD-net,SRBFP-net和AMGP-net这4种方法进行主客观对比实验。结果表明: 双重注意力多尺度残差去雾网络能获得与原始无雾场景较为接近的视觉状态,并具备较优的对比度、鲜亮的色度与相应的饱和度,透射图细节清晰,保持前景部分边缘的同时可实现对图像噪声较好的处理; 相对于CARL-net,DFAD-net,SRBFP-net和AMGP-net,该方法的峰值信噪比和结构相似度指标较优,算法处理效率较快,同时随着遥感雾图分辨率增加,算法处理时间变化较稳定。

引用

李愿, 付辉, 刘浩志. 双重注意力下的多尺度残差遥感图像去雾网络[J]. 自然资源遥感, 2025, 37(4): 31-39

引言

基于先验知识的方法依赖于前验机理,获取未知参量方式复杂且不够准确。而传统基于深度学习的去雾方法存在部分参量复原结果差、图像效果失真、对比度欠佳和算法处理效率不高等问题。由此,本文提出一种端到端双重注意力下的多尺度残差遥感图像去雾网络,可复原接近原场景的视觉状态,并最大程度降低计算量。

图表

图1大气散射物理学模型

图2双重注意力多尺度残差去雾网络

图3多尺度残差注意力模型

图4CBAM结构

图5双映射网络模块

图6平行卷积重建模块

合成遥感雾图清晰化效果对比

真实遥感雾图清晰化效果对比

透射图对比

图7不同方法的全参考客观评价指标归一化直方图

合成与真实遥感雾图消融实验效果对比

结束语

大气雾霾限制了传感器的性能,导致拍摄的图像失真,而遥感雾图降质的复杂物理性质导致图像去雾面临巨大挑战。

来源：科技迅