(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211397691.4 (22)申请日 2022.11.09 (71)申请人 湘潭大学 地址 411105 湖南省湘潭市雨湖区湘潭大 学 (72)发明人 张正鹏　叶家研　张帅　卜丽静　 程燕　 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/50(2006.01) G06V 10/54(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) (54)发明名称 一种非均匀雾密度分布先验的遥感影像去 雾方法 (57)摘要 本发明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。 权利要求书2页 说明书6页 附图3页 CN 115546069 A 2022.12.30 CN 115546069 A 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Idark(x)、 饱和度分 量图S(x)以及近红外波段N I(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(Idark(x)‑α S(x)‑εNI(x)， 0) 其中， S(x)表示影像的饱和度分量图， Idark(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， N I(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ti表达为： 其中， λ1为第1波段 的波长， λi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， l n为自然对数运 算， ti为第i波段的透射 率。 4.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S4中非均匀雾密度分布先验的遥感影像去雾网络模型的构建方法， 包括以 下方法和步骤： (1)网络模型的总体结构： 该网络为端到端的卷积网络结构， 包括特征提取模块、 云雾 特征感知融合模块FPFM、 多尺度纹 理特征增强模块MTE M和特征输出模块； (2)网络的端到端输入： 对训练集中的雾影像， 采用步骤S1的方法提取雾分布先验图， 把先验图和雾影像一起作为网络一端的输入， 把训练集中的清晰影像作为网络的另一端输 入；权　利　要　求　书 1/2 页 2 CN 115546069 A 2(3)特征提取模块的结构： 该模块由三个上采样的卷积层构成， 输出为特 征图； (4)雾特征感知融合模块FPFM的结构： 该模块有两个输入， 一个是上一层 特征提取模块 的输出， 另一个是步骤(2)中网络一端雾分布先验图的输入， 输出为特征图； 该模块由空间 变换模块SFT、 通道注意力层CA和空间注意力层PA串联结构构成， 其中空间变换模块SFT的 结构如下： 第一模块是对输入的雾分布先验图进行三个卷积层的特 征提取； 第二模块是上下两个并行的结构， 均为两个卷积层组成， 其中， 分别得到两个输出 和 再对这两个输出 特征进行如下的表达： 其中， SFT(x)为空间变换模块的最终输出， I(x)为上一层特征提取模块的输出， 为乘 积操作； (5)多尺度纹理特征增强模块MTEM的结构： 该模块为上下两个并行分支构成的残差注 意力结构， 一个分支是注意力通道， 另一个分支是融合可变性卷积和差分卷积的多尺度通 道； 该模块有一个输入是 上一层雾特 征感知融合FPFM模块的输出， 输出为特 征图； 其中， 注意力通道的结构为： 首先采用1 ×1的卷积层来提取通道的基本特征， 再建立空 间注意力和通道注意力两个分支 提取注意力特征， 并以残差结构进行特征的融合来 获取一 个全局注意图； 其中， 多尺度通道的结构为： 首先采用一个3 ×3的可变性卷积， 再采用多个尺度的池化 操作， 最后连接一个差分卷积； (6)特征输出模块： 该模块由三个上采样的卷积层构成， 输出为去雾后的预测图。权　利　要　求　书 2/2 页 3 CN 115546069 A 3