摘要：引用格式：马六, 毛克彪, 郭中华. 基于混合注意力生成对抗网络的遥感图像去雾方法[J]. 智慧农业(中英文), 2025, 7(2): 172-182.
引用格式：马六, 毛克彪, 郭中华. 基于混合注意力生成对抗网络的遥感图像去雾方法[J]. 智慧农业(中英文), 2025, 7(2): 172-182.
DOI： 10.12133/j.smartag.SA202410011
MA Liu, MAO Kebiao, GUO Zhonghua. Defogging Remote Sensing Images Method Based on a Hybrid Attention-Based Generative Adversarial Network[J]. Smart Agriculture, 2025, 7(2): 172-182.
官网全文免费阅读
基于混合注意力生成对抗网络的遥感图像去雾方法
马六1， 毛克彪2*， 郭中华1
（1.宁夏大学 电子与电气工程学院 宁夏银川 750021，中国； 2.中国农业科学院农业资源与农业区划研究所，北京 100081，中国）
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。
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
文
章
图
片
图1 HAB-GAN的生成器网络
Fig. 1 HAB-GAN generator network
图2 HAB-GAN生成器采用的残差块
Fig. 2 Residual Block used by the HAB-GAN generator
图3 混合注意模块
Fig. 3 Hybrid attention module
图4 空间注意子块
Fig. 4 Spatial attentive module
图5 空间注意残差块
Fig. 5 Spatial attentive residual block
图6 HAB-GAN的鉴别器
Fig. 6 Discriminator of HAB-GAN
图7 RESISC45数据的有雾与无雾图
Fig. 7 Fog and no-fog images of RESISC45 data
图8 不同模型在RESISC45数据集上的去雾结果
Fig. 8 Dehazing results of different models on the RESISC45 dataset
图9 不同模型在 RICE2数据集上的去云结果
Fig. 9 Declouding results of different models on the RICE2 dataset
作
者
介
绍
毛克彪 研究员/教授
毛克彪，研究员/教授，全国神农英才，贺兰山特聘学者，中国农业科学院杰出青年英才，全国优秀科技工作者，国家粮食和物质储备安全应急专家。主要从事交叉学科研究和推动人工智能在地学和水循环及农学中的应用，包括农业气象关键参数反演（地表温度、发射率、近地表空气温度、土壤水分、大气水汽含量、蒸散发等）、农业灾害与粮食安全等方面的研究。
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
来源：智慧农业资讯一点号
