文献类型： 中文期刊
第一作者： 马 六
作者： 马 六;毛 克彪;郭 中华
作者机构：
关键词： 遥感图像;深度学习;生成对抗网络;高效通道注意力模块;空间注意力模块;去雾
期刊名称：
ISSN： 2096-8094
年卷期： 2025 年 7 卷 2 期
页码： 172-182
摘要： 【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 Generative Adversarial 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。
分类号：
- 相关文献
[1]2019–2021年三都澳近海岸海面目标可见光遥感图像数据集. 郭旭阳,曹姗姗,满芮,曾一鸣,王亿,古丽米拉·克孜尔别克,孙伟. 2023
[2]基于生成对抗网络和视觉-语义对齐的零样本害虫识别方法. 李天俊,杨信廷,陈晓,胡焕,周子洁,李文勇. 2024
[3]基于边界域修正粗糙熵模型的遥感影像分类不确定性评价. 竞霞,魏曼,王纪华,宋晓宇,胡荣明. 2014
[4]基于局部空间信息KFCM的遥感图像聚类算法. 吴一全,沈毅,陶飞翔. 2014
[5]基于Log-Gabor小波和Krawtchouk矩的遥感图像分类. 吴一全,陶飞翔,曹照清. 2016
[6]基于小波变换和核独立分量分析的遥感图像变化检测. 吴一全,曹照清. 2013
[7]典型温性草原遥感图像地表物分类方法的研究. 包宝小,潘新,马玉宝,刘霞,罗小玲. 2015
[8]基于注意力网络尺度特征融合的遥感场景分类. 帖军,肖鹏飞,郑禄,马海荣,彭丹. 2024
[9]MARKOV随机场模型在多光谱遥感图像分类中的应用. 于秀兰,莫虹,钱国蕙,贾晓光. 1999
[10]“3S”技术在集水高效农业工程中的应用. 张东伟. 2000
[11]融合注意力机制和权重平衡算法的遥感图像分类. 王民水,王明常,王婧瑜,刘子维. 2025
[12]深度学习方法在农业领域的研究及应用. 马聪,张建华,陈学东,朱丹. 2020
[13]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020
[14]基于卷积神经网络的农机图像自动识别研究. 雷雪梅,张光强,姚旗,刘伟渭,邱帅. 2022
[15]基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究. 冯裕清,杨信廷,徐大明,罗娜,陈枫,孙传恒. 2022
[16]基于词向量的检索扩展方法与农业领域实证. 吴蕾,梁晓贺,乌吉斯古楞,王瑞. 2019
[17]基于神经网络的文献主题国别标引方法研究. 王新. 2019
[18]基于无人机遥感的盛花期薇甘菊爆发点识别与监测. 孙中宇,荆文龙,乔曦,杨龙. 2019
[19]基于YOLOv3深度卷积神经网络的田间百香果定位. 林营志,卢依琳,刘现. 2019
[20]基于深度学习的无人机影像玉米倒伏区域提取. 郑二功,田迎芳,陈涛. 2018
