基于多核CPU的遥感去雾并行算法研究

针对数据量较大的遥感影像进行去雾处理时出现的运行效率低下或者是计算无法进行的问题,提出了多核CPU并行去雾算法。首先对影像进行分块分割,再根据滤波影响域对分块影像进行扩边,并建立影像索引,然后将分块影像分配给不同的CPU内核进行去雾处理,最后利用影像索引将去雾处理后的分块影像进行合并。实验表明,经本文改进的并行去雾算法与传统暗通道去雾算法的去雾效果一致,而算法的执行效率得到了提高,具有很强的实用价值。

面向多浓度非均匀云雾的双域遥感图像去雾算法

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0.52 dB的PSNR总增益。

基于全局及局部优势特征融合的遥感图像去雾方法

由于大气中颗粒物质的散射和吸收,遥感图像通常存在细节模糊、对比度降低等问题,严重影响其视觉质量。针对这些问题,文章提出了1种基于全局及局部优势特征融合的遥感图像去雾方法。首先,利用暗通道先验对原始图像进行去雾预处理;然后,采用多曝光融合策略以及积分和平方积分方法整合图像区域的优势特征信息,提升全局及局部对比度;最后,通过金字塔融合自适应选择全局及局部对比度增强的显著特征,以获得清晰化图像。实验结果表明,该方法在遥感图像去雾领域优于其他方法,处理后的图像在黑暗区域曝光、全局对比度增强及局部细节提升等方面表现出了良好的性能。

基于图像重构与图像增强的自适应抗雾霾遥感成像

本文提出了一种高效且自适应的遥感图像去雾算法,该算法融合大气散射模型与图像增强技术。通过构建简化的雾霾模型,精准映射景深与雾霾浓度,有效抑制雾霾噪声。此外,引入优化后的直方图均衡化技术与HSV色彩空间调整策略,能够提升图像亮度与饱和度,还原图像细节与色彩。实验表明,该算法在应对复杂雾霾环境时不仅保持了图像内容的真实性,还实现了色彩的高度平衡,为遥感图像去雾领域的研究开辟了新的视角。

结合饱和度运算和暗通道理论的遥感图像去雾算法

为了解决传感器雾天条件下捕获的遥感影像出现模糊,色彩偏移,地物信息丢失严重等问题,结合饱和度运算和暗通道理论提出一种遥感图像去雾算法(简称RSIDA算法)。RSIDA算法首先采用加权四叉树算法对最小通道图进行快速搜索获取全局环境光值,然后在HSV颜色空间通过饱和度运算估计大气透射率,接着设置阈值调整场景透射率并采用递归双边滤波器对其进行优化,最后通过物理模型恢复雾气降质遥感图像。通过对比实验和定量分析,结果表明RSIDA算法能够较好地恢复雾气降质遥感图像的清晰度和色彩,提高遥感图像的质量,且运算效率能够满足实时性需求。

基于自适应改进的遥感图像去雾算法研究

受到雾霾的影响,遥感图像的质量下降,影响遥感图像的应用。因此,对遥感图像进行去雾处理有着非常重要的意义。暗通道先验算法是常用的去雾算法,但遥感图像中雾霾分布是不均匀的,因此在对遥感图像进行去雾处理时,需要改进其自适应性。本文基于提高暗通道去雾的自适应能力的目的,通过提出一个“局部灰度比”的概念,在自适应能力方面改进了暗通道去雾算法,通过对7幅遥感图像进行试验,得出该方法对遥感图像去雾的能力提升了8.39%的结论。

基于深度学习的遥感图像去雾算法

针对遥感图像由于雾霾的存在导致图像清晰度下降的问题,提出了一种基于深度学习的图像去雾算法。首先将原有大气散射模型进行变形得到一个端到端的去雾模型,再将多个未知参数统一在一个参数中,运用多尺度卷积神经网络对未知参数进行估计,最后将参数估计值代入去雾模型中得到无雾图像。针对无参考图像数据集,先运用现有数据集对网络进行初步训练,再加入自建数据集对网络进行二次训练。实验结果表明,与相关去雾算法进行对比,该算法在视觉效果和客观指标上都有不同程度的提高,有效提升了遥感图像在雾霾天气状况下的清晰度。

层级特征交互与增强感受野双分支遥感图像去雾网络

近年来,深度学习的去雾方法在图像去雾领域取得了显著的成绩。然而,大多数基于U型网络的去雾方法将编码层特征直接传递到对应解码层,缺乏浅层和深层特征之间的信息交互。此外,基于非U型网络的去雾方法存在感受野受限问题,无法有效的利用上下文信息。从而导致这些方法在场景尺度变化较大的遥感图像去雾中无法取得理想效果。为此,本文提出了一种层级特征交互与增强感受野的双分支遥感图像去雾网络,该方法包含层级特征交互子网和多尺度信息提取子网。其中,层级特征交互子网利用层级特征交互融合模块,逐层的在浅层特征中引入语义信息,深层特征中引入空间细节信息,从而增强编码层中不同层级特征之间的信息交互。多尺度信息提取子网利用多尺度残差空洞卷积模块,融合不同感受野的特征,从而获取对于遥感图像去雾至关重要的上下文信息。在两个公开数据集上的实验结果表明,本文提出的去雾方法相比现有的9种优秀的去雾算法,取得了最好的客观评价指标和视觉效果。