摘要

由于霧霾會影響所捕獲遙感圖像的質量,同時限制后端視覺應用的性能,因而文章提出一種雙重注意力多尺度殘差去霧網絡。首先,重建大氣散射模型,可結合大氣光值與透射率求取大氣光冪; 然后,利用端到端的深度學習模型完成遙感圖像去霧,該網絡包含淺層特征提取模塊、深層數據提取模塊、雙映射網絡和平行卷積重建模塊; 最后,將該文方法與CARL-net,DFAD-net,SRBFP-net和AMGP-net這4種方法進行主客觀對比實驗。結果表明: 雙重注意力多尺度殘差去霧網絡能獲得與原始無霧場景較為接近的視覺狀態(tài),并具備較優(yōu)的對比度、鮮亮的色度與相應的飽和度,透射圖細節(jié)清晰,保持前景部分邊緣的同時可實現(xiàn)對圖像噪聲較好的處理; 相對于CARL-net,DFAD-net,SRBFP-net和AMGP-net,該方法的峰值信噪比和結構相似度指標較優(yōu),算法處理效率較快,同時隨著遙感霧圖分辨率增加,算法處理時間變化較穩(wěn)定。

引用

李愿, 付輝, 劉浩志. 雙重注意力下的多尺度殘差遙感圖像去霧網絡[J]. 自然資源遙感, 2025, 37(4): 31-39

引言

基于先驗知識的方法依賴于前驗機理,獲取未知參量方式復雜且不夠準確。而傳統(tǒng)基于深度學習的去霧方法存在部分參量復原結果差、圖像效果失真、對比度欠佳和算法處理效率不高等問題。由此,本文提出一種端到端雙重注意力下的多尺度殘差遙感圖像去霧網絡,可復原接近原場景的視覺狀態(tài),并最大程度降低計算量。

圖表

圖1大氣散射物理學模型

圖2雙重注意力多尺度殘差去霧網絡

圖3多尺度殘差注意力模型

圖4CBAM結構

圖5雙映射網絡模塊

圖6平行卷積重建模塊

合成遙感霧圖清晰化效果對比

真實遙感霧圖清晰化效果對比

透射圖對比

圖7不同方法的全參考客觀評價指標歸一化直方圖

合成與真實遙感霧圖消融實驗效果對比

結束語

大氣霧霾限制了傳感器的性能,導致拍攝的圖像失真,而遙感霧圖降質的復雜物理性質導致圖像去霧面臨巨大挑戰(zhàn)。

來源：測繪學術資訊