1.2 国内外研究现状近年来国内外学者针对光学遥感图像去雾技术进行了广泛研究。传统方法主要基于图像增强和物理模型如直方图均衡化、暗通道先验等但这些方法往往对图像细节保持和真实感还原不足。随着深度学习的兴起卷积神经网络CNN被引入图像去雾领域通过端到端的训练实现雾天图像的清晰化取得了显著成果。生成对抗网络GAN作为一种强大的深度学习模型在图像去雾任务中展现出巨大潜力。国外研究团队率先探索了GAN在图像去雾中的应用提出了多种基于GAN的图像去雾网络结构有效提升了去雾图像的视觉效果。国内学者也积极跟进结合我国遥感图像特点对GAN去雾模型进行了优化和改进取得了不俗的成绩。尽管基于GAN的光学遥感图像去雾技术已取得一定进展但仍存在一些挑战如训练数据不足、模型泛化能力有限等。未来需要进一步深入研究探索更加鲁棒和高效的去雾算法以满足日益增长的遥感图像应用需求。1.3 研究内容本项目旨在研究基于生成对抗网络 (GAN) 的光学遥感图像去雾技术探索如何利用深度学习模型去除遥感图像中的雾霾提高图像质量并恢复图像的真实性。研究内容包括 GAN 架构选择与优化比较不同 GAN 架构的性能如 Pix2Pix、CycleGAN 等并选择合适的架构进行优化以提高去雾效果对 U-Net 架构进行改进例如引入自注意力机制和掩码引导策略以增强模型对图像特征的理解和提取能力进一步提升去雾效果研究不同的损失函数组合如对抗损失、像素损失、感知损失和掩码加权损失等以实现多目标优化去除雾霾的同时保留图像细节、还原颜色并保持视觉一致性研究不同的数据增强方法如随机裁剪、水平翻转等以增加训练数据多样性提升模型的泛化能力和鲁棒性设计并实现模型训练流程包括数据预处理、模型训练、损失函数优化和模型评估等并通过定量和定性评估方法验证模型的有效性和性能。本研究将重点关注去雾效果、细节保留、颜色还原、视觉一致性、抗噪性能和掩码适应性等方面通过以上研究本项目将开发一种高效、鲁棒的光学遥感图像去雾技术为遥感图像应用提供更清晰、更可靠的数据基础。本系统基于 Python 语言和深度学习框架 PyTorch 进行开发实现了基于生成对抗网络 (GAN) 的光学遥感图像去雾技术。系统采用基于 U-Net 的条件 GAN 架构并结合自注意力机制和掩码引导策略通过对抗损失、像素损失、感知损失和掩码加权损失等多种损失函数的组合实现了多目标优化。系统支持 Web 界面操作方便用户直接使用。用户只需上传一张有雾的遥感图像系统即可利用训练好的深度学习模型自动去除雾霾并输出清晰的无雾图像。系统还提供了多种后处理增强选项进一步提升图像质量。系统代码结构清晰模块化设计方便后续的维护和升级。同时系统还提供了详细的文档和注释方便开发者理解和修改代码。通过以上系统实现本项目为遥感图像去雾提供了一种高效、便捷的解决方案具有广泛的应用前景。图3-4 系统架构图在图像处理页面用户可以通过该页面上传有雾的遥感图像。上传后页面提供选项供用户勾选是否使用掩码辅助去雾功能以及选择所需的图像增强方法和增强强度。用户确认提交后后端服务器接收上传的图像和用户设置调用训练好的深度学习模型进行去雾处理并根据用户选择的增强选项对去雾后的图像进行进一步处理。处理完成后服务器将去雾完成的图像以及与原图的对比图返回给前端用户可以在页面上直观地查看去雾效果和对比结果。整个处理流程通过异步请求实现提升了用户体验。图像处理界面具体实现如下图所示:图5-1 图像处理页图5-2 去雾前后图像页项目结构清晰分为数据集目录、结果输出目录和源代码文件。数据集包含 RICE1 和 RICE2 数据集分别存储有雾图像、无雾参考图像及雾区掩码。结果输出目录存放模型检查点和生成的样本图像。源代码文件定义模型架构、数据处理、训练、测试和推理逻辑并提供依赖项和项目说明。图5-3 项目结构系统拥有三种不同的图像去雾模式单张图像去雾、使用掩码辅助去雾以及批量处理图像。具体实现上代码通过指定模型检查点文件并根据不同的模式参数来决定是处理单个图像还是批量处理目录下的所有图像。对于使用掩码的模式还需额外指定掩码文件的路径。这些命令行参数共同作用于 inference.py 脚本以执行相应的图像去雾任务输出处理后的图像至指定路径。图5-4 运行关键代码