基于混合注意力生成对抗网络的遥感图像去雾方法

[目的/意义]近年来，深度学习在遥感图像去雾领域取得了显著进展，尤其是在引入注意力机制以提升特征学习方面。然而，传统的注意力机制大多依赖全局平均池化，导致模型对特定影响点的敏感性过高，难以有效应对遥感图像中的去雾问题。为了提高去雾技术的效果，满足农业、城市规划等领域对图像质量日益增长的需求，现有方法亟需改进。[方法]本研究提出了一种混合注意力生成对抗网络（Hybrid Attention-Based GenerativeAdversarial Network, HAB-GAN）。该模型通过结合高效通道注意力模块与空间注意力模块，嵌入生成对抗网络架构中，实现了对遥感图像去雾效果的显著提升。高效通...

Celý popis

Uložené v:
Podrobná bibliografia
Vydané v:智慧农业（中英文） Ročník 7; číslo 2; s. 172 - 182
Hlavní autori: 马六, 毛克彪, 郭中华
Médium: Journal Article
Jazyk:Chinese
Vydavateľské údaje: 中国农业科学院农业信息研究所 01.03.2025
Predmet:
遥感图像
高效通道注意力模块
去雾
生成对抗网络
空间注意力模块
深度学习
ISSN:2096-8094
On-line prístup:Získať plný text
Tagy: Pridať tag
Žiadne tagy, Buďte prvý, kto otaguje tento záznam!
Popis
Shrnutí:[目的/意义]近年来，深度学习在遥感图像去雾领域取得了显著进展，尤其是在引入注意力机制以提升特征学习方面。然而，传统的注意力机制大多依赖全局平均池化，导致模型对特定影响点的敏感性过高，难以有效应对遥感图像中的去雾问题。为了提高去雾技术的效果，满足农业、城市规划等领域对图像质量日益增长的需求，现有方法亟需改进。[方法]本研究提出了一种混合注意力生成对抗网络（Hybrid Attention-Based GenerativeAdversarial Network, HAB-GAN）。该模型通过结合高效通道注意力模块与空间注意力模块，嵌入生成对抗网络架构中，实现了对遥感图像去雾效果的显著提升。高效通道注意力模块通过降低全局特征聚合中的冗余信息，既保留了性能，又减少了模型复杂度；空间注意力模块则从局部到全局对遥感图像中的雾化区域进行识别和聚焦，增强了对这些区域的恢复能力。这种方法能够更加有效地应对遥感图像中复杂多变的景观，尤其适用于农业等需要高质量遥感数据的领域。[结果与讨论]在RESISC（Remote Sensing Image Scene Classification）45数据集上，与现有的其他注意力机制去雾模型，如SpA GAN和HyA-GAN进行比较，HAB-GAN模型去雾效果更优，其中峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）分别增加了2.64和1.14 dB，结构相似度（Structural Similarity Index, SSIM）分别增加了0.012 2和0.001 9。此外，消融实验验证了混合注意力机制的有效性，去除HAB模块后，HAB-GAN模型的PSNR下降了3.87 dB，SSIM下降了0.033 4。[结论]提出的HAB-GAN模型显著提升了遥感图像的去雾效果，使生成的图像更加接近无雾图像，特别是对于复杂的农业、环境监测等场景具有重要应用价值。HAB模块在提升模型性能方面发挥了关键作用，为未来的遥感图像处理和相关领域提供了有力的技术支持。
ISSN:2096-8094
DOI:10.12133/j.smartag.SA202410011