面向多浓度非均匀云雾的双域遥感图像去雾算法.pdfVIP

第30卷第3期现代计算机

2024年2月10日ModernComputer·9·

文章编号:1007⁃1423（2024）03⁃0009⁃09DOI:10.3969/j.issn.1007⁃1423.2024.03.002

面向多浓度非均匀云雾的双域遥感图像去雾算法

刘春黔，林浩然，雷印杰*

（四川大学电子信息学院，成都610065）

摘要：光学遥感卫星图像容易受到多浓度非均匀云雾的干扰，造成图像质量严重退化。现有的去雾算法难以有

效处理多浓度非均匀云雾，于是提出了一种自注意力强化机制，即在自注意力变换中引入一种简单的无参注意力

（SimAM）增强自注意力变换的建模能力，提高对非均匀云雾的感知；为进一步提高网络的纹理细节表征能力，设计了

新颖的差分卷积细节增强块，利用差分卷积算子引入梯度级信息，提高去雾网络对纹理细节的恢复能力；为实现RGB

域和自适应小波域联合去雾，引入深度自适应提升小波变换实现自适应小波空间，从而实现双域协同去雾。实验结果

表明，提出的方法在主流的遥感图像去雾数据集上相较于骨干模型，获得了0.52dB的PSNR总增益。

关键词：遥感图像去雾；自注意力强化；差分卷积；深度自适应提升小波

0引言作为核心处理模块，在DehazeFormer模型的基础

上进行了针对性的改进，首先通过引入SimAM无

遥感图像在地球观测、气候变化、军事侦

［7］

［1］参注意力机制对窗口多头注意力机制进行强化，

察等诸多领域发挥着重要作用。然而，实际

构建了Transformer⁃SimAM增强块（Transformer⁃

应用时，光学遥感图像十分容易受到云、雾等

SimAMenhencementblock，TSEB），然后引入差

恶劣天气的影响，造成图像重要信息丢失、颜

［2］分卷积细节增强块（differenceconvolutiondetail

色失真等问题。在下游高级视觉任务中（如遥

enhancementblock，DC⁃DEB），增强纹理信息的

感小目标检测、遥感语义分割等），有雾遥感图

［3］恢复能力，最后采用深度自适应提升小波变

像会严重降低下游视觉任务的性能，因此遥

［8］

换利用卷积神经网络实现自适应小波空间，

感图像去雾是一项重要的底层图像恢复任务。

［4］提高信号的表征能力，实现小波域和RGB域双

最近，Transformer在计算机视觉领域大放

域协同去雾。

异彩，在诸如图像分类、目标检测等一系列高

级任务中取得了最优异的性能。然而，在图像1相关工作

去雾领域，原始的Transformer设计并不适用图

像去雾任务，与Transformer结合的图像去雾研11..11图像去雾方法图像去雾方法

［5］图像去雾是一种应用于雾霾天气下的计算机

究工作仍然处于探索期，其中DehazeFormer、