一种非均匀雾密度分布先验的遥感影像去雾方法技术

本发明专利技术公开了一种非均匀雾密度分布先验的遥感影像去雾方法。该方法包括以下内容：1)基于改进HDM模型的雾分布先验图的提取；2)基于雾分布先验的遥感非均匀雾影像的模拟；3)基于雾密度分布先验的去雾网络构建与验证。本发明专利技术的方法提供了一种非均匀雾密度分布先验的遥感影像去雾方法，利用非均匀雾密度分布先验的学习网络可准确表达影像的真实雾特征，有效解决了遥感影像去雾不均匀、色彩和边缘退化的问题。本发明专利技术方法的处理过程没有近似，方法对遥感影像中存在的非均匀雾特征具有较好的去除效果，可在遥感数据质检、遥感数据增强等领域中使用，可有效提高遥感数据的质量。可有效提高遥感数据的质量。可有效提高遥感数据的质量。

【技术实现步骤摘要】
一种非均匀雾密度分布先验的遥感影像去雾方法


[0001]本专利技术属于遥感数据质检和数据增强的相关
，尤其是涉及一种非均匀雾密度分布先验的遥感影像去雾方法。

技术介绍

[0002]针对不均匀的雾，大部分学者都选择首先估计一个雾分布先验图，再利用这个先验引导模型进行精准的去雾。Makarau等人在Chavez的工作基础上，通过对黑暗物体的局部搜索，计算出一个雾密度图(HTM)，以消除不均匀的雾(参考：A.Makarau,R.Richter,R.Muller,and P.Reinartz,“Haze detection and removal in remotely sensed multispectral imagery,”IEEE Trans.Geosci.Remote Sens.,vol.52,no.9,pp.5895
–
5905,Jan.2014)。Liu等人通过计算地面辐射率抑制的雾密度图(GRS
‑
HTM)来消除雾成分(参考：Q.Liu,X.Gao,L.He,and W.Lu,“Haze removal for a single visible remote sensing image,”Signal Process.,vol.137,pp.33
–
43,2017)，这比HTM更精确。Pan等人利用饱和度分量来对暗通道进行校正得到雾分布图(HDM)，并将其用于雾浓度估计(参考：Pan,X.,Xie,F.,Jiang,Z.,Shi,Z.,&Luo,X.(2016).No
‑
Reference Assessment on Haze for Remote
‑
Sensing Images.IEEE Geoscience and Remote Sensing Letters,13(12),1855
–
1859)。然而，上述方法严重依赖雾分布先验的精度。Gu等人通过输入HDM和雾霾影像，提出了基于先验的致密脱色网络(DADN)(参考：Gu,Z.,Zhan,Z.,Yuan,Q.,&Yan,L.(2019).Single Remote Sensing Image Dehazing Using a Prior
‑
Based Dense Attentive Network.Remote Sensing,11(24),3008)。在网络中采用堆叠方法来融合雾的分布先验，网络缺乏物理上的可解释性，而且容易产生雾与纹理特征混叠的问题。另外现有方法大多利用暗通道先验合成非均匀雾图，并没有考虑遥感成像的物理特性，比如遥感不同波段的雾成像辐射特征不同，其雾的时间和空间特征都具有随机性，因此现有方法对真实遥感雾的去除效果不佳，网络模型的泛化能力较弱。
[0003]深度学习方法随着网络的加深，会出现特征退化的现象，往往需要在传播过程中对特征进行增强。因此，应将注意力机制视为去雾的效果模块。Liu等人基于注意力机制提出了一种基于注意力的多尺度网络(Grid Dehaze Net)(参考：X Liu,Ma Y,Shi Z,et al.GridDehazeNet:Attention
‑
Based Multi
‑
Scale Network for Image Dehazing[J].2019)，通过计算一个通道上的权重，实现影像不同尺度特征的融合。Qin等人考虑不同颜色光对形成雾的影响不同以及雾在影像上的分布不均匀等，提出了一个具有通道和空间注意力的特征融合注意力网络(FFA
‑
Net)(参考：Qin X,Wang Z,Bai Y,et al.FFA
‑
Net:Feature Fusion Attention Network for Single Image Dehazing[J].2019)，以分别解决影像不同波段和区域的雾问题。基于雾先验特征的网络学习方法，势必会增加信息的冗余性以及带来额外的噪声，上述方法并没有考虑引入雾分布先验后的多特征注意力问题；另外考虑到遥感影像的透射特性，雾特征在不同波段，不同区域的表征不同，因此如何设计一个适应遥感影像去雾网络的注意力模块，并能提高纹理和边缘的保持能力是关键。

技术实现思路

[0004]针对上述技术问题，本专利技术的目的在于克服已有技术的不足之处，提出了一种非均匀雾密度分布先验的遥感影像去雾网络模型，首先利用遥感影像的近红外波段修正雾密度分布先验物理模型，并以此模型构建了端到端的逼近真实场景的遥感雾训练集；以解码器
‑
编码器为主干网络，设计了雾密度分布先验的雾特征感知融合模块FPFM，该模块采用仿射变换方法实现影像色彩和雾密度分布先验特征的融合，提升模型对不均匀雾分布特征的表征能力；然后设计了基于残差注意力机制的多尺度纹理特征增强模块MTEM，该模块包括残差注意力、可变/差分卷积，增强模型对不同尺度地物几何和纹理特征的表征能力。
[0005]为实现上述目的，本专利技术包括以下步骤：
[0006]S1：对输入的雾天拍摄下的遥感影像，提取非均匀的雾分布先验图；
[0007]S2：将步骤S1提取的非均匀雾分布先验图作为待模拟雾影像的透射率，并随机给定一个大气光参数构建大气散射模型；
[0008]S3：对输入的无雾天拍摄下的清晰遥感影像，根据步骤S2所得的大气散射模型可生成具有非均匀分布特征的模拟雾影像，利用生成的模拟雾影像与原始清晰无雾影像，制作用于遥感影像去雾的训练数据集；
[0009]S4：构建一种非均匀雾密度分布先验的遥感影像去雾网络模型，采用步骤S3的训练数据集对该网络模型进行参数的学习与训练，得到去雾网络模型的参数；
[0010]S5：采用步骤S4中的去雾网络模型和参数，对待输入的雾影像进行测试，得到去雾之后的遥感影像。
[0011]进一步的，所述的步骤S1中非均匀的雾分布先验图的提取方法，包括以下方法和步骤：
[0012](1)雾分布先验分量的表达：从真实遥感雾影像中提取暗通道分量图I
dark
(x)、饱和度分量图S(x)以及近红外波段NI(x)；
[0013](2)对真实遥感雾影像，采用以下模型提取雾分布先验图FDM(x):
[0014]FDM(x)＝max(I
dark
(x)
‑
αS(x)
‑
gNI(x)，0)
[0015]其中，S(x)表示影像的饱和度分量图，I
dark
(x)影像的暗通道图，α为饱和度分量的比例因子，FDM(x)为雾密度分布图，NI(x)为影像的近红外波段，ε为近红外波段的比例因子。
[0016]进一步的，所述的步骤S2中的透射率计算方法，包括以下方法和步骤：
[0017](1)遥感影像第1波段的透射率表达为：
[0018][0019]其中，FDM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非均匀雾密度分布先验的遥感影像去雾方法，其特征在于，包括如下步骤：S1：对输入的雾天拍摄下的遥感影像，提取非均匀的雾分布先验图；S2：将步骤S1提取的非均匀雾分布先验图作为待模拟雾影像的透射率，并随机给定一个大气光参数构建大气散射模型；S3：对输入的无雾天拍摄下的清晰遥感影像，根据步骤S2所得的大气散射模型可生成具有非均匀分布特征的模拟雾影像，利用生成的模拟雾影像与原始清晰无雾影像，制作用于遥感影像去雾的训练数据集；S4：构建一种非均匀雾密度分布先验的遥感影像去雾网络模型，采用步骤S3的训练数据集对该网络模型进行参数的学习与训练，得到去雾网络模型的参数；S5：采用步骤S4中的去雾网络模型和参数，对待输入的雾影像进行测试，得到去雾之后的遥感影像。2.根据权利要求1所述的一种非均匀雾密度分布先验的遥感影像去雾方法，其特征在于，所述的步骤S1中非均匀的雾分布先验图的提取方法，包括以下方法和步骤：(1)雾分布先验分量的表达：从真实遥感雾影像中提取暗通道分量图I
dark
(x)、饱和度分量图S(x)以及近红外波段NI(x)；(2)对真实遥感雾影像，采用以下模型提取雾分布先验图FDM(x)：FDM(x)＝max(I
dark
(x)
‑
αS(x)
‑
εNI(x)，0)其中，S(x)表示影像的饱和度分量图，I
dark
(x)影像的暗通道图，α为饱和度分量的比例因子，FDM(x)为雾密度分布图，NI(x)为影像的近红外波段，ε为近红外波段的比例因子。3.根据权利要求1所述的一种非均匀雾密度分布先验的遥感影像去雾方法，其特征在于，所述的步骤S2中的透射率计算方法，包括以下方法和步骤：(1)遥感影像第1波段的透射率表达为：其中，FDM(x)为雾密度分布图，为第1波段的透射率；(2)遥感影像其它波段的透射率t
i
表达为：其中，λ1为第1波段的波长，λ
i
为第i波段的波长，γ是与大气悬浮颗粒大小相关的一个固定量，ln...

【专利技术属性】
技术研发人员：张正鹏，叶家研，张帅，卜丽静，程燕，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：