(一)技術領域：

本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡的多光譜遙感圖像去霧方法，屬于遙感圖像處理的技術領域。

(二)

背景技術：
：

多光譜遙感圖像不僅可以提供豐富的地物信息，還具備光譜特性，在環(huán)境、監(jiān)測、軍事、測繪等領域發(fā)揮十分重要的作用。然而，多光譜遙感圖像會經(jīng)常受到霧的干擾，造成圖像中地物模糊不清、感興趣區(qū)域信息丟失，這不僅嚴重影響人眼對圖像數(shù)據(jù)的判讀，同時也影響了遙感數(shù)據(jù)的自動解譯。

對遙感圖像進行去霧研究可以提高圖像的質量，從而為后續(xù)的遙感圖像處理和應用提供保障。許多遙感圖像的去霧算法已經(jīng)被提出，這些方法主要針對googleearth圖像或者多光譜圖像中的可見光波段，而對于多光譜圖像中更多波段的去霧研究還不深入。本發(fā)明針對多光譜遙感圖像中存在的霧遮擋問題，提出了一種基于卷積神經(jīng)網(wǎng)絡的去霧方法。該方法將圖像去霧看作是回歸問題，設計端到端的卷積神經(jīng)網(wǎng)絡來學習有霧圖像到清晰圖像之間的映射關系，從而在各個波段上都獲得了滿意的去霧效果，同時保持了地物目標色彩和結構的一致性。

(三)

技術實現(xiàn)要素：
：

1、目的：本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡的多光譜遙感圖像去霧方法，用來實現(xiàn)多光譜圖像的霧去除，提升圖像質量。

2、技術方案：本發(fā)明通過以下技術方案實現(xiàn)。

本發(fā)明首先對去霧問題進行建模，并設計一個端到端的卷積神經(jīng)網(wǎng)絡來回歸這個模型。然后，通過仿真方式獲得足夠的帶有真值標簽的霧圖像樣本來訓練卷積神經(jīng)網(wǎng)絡，進行有霧圖像與真值圖像之間回歸模型的學習。該學習好的模型即可用來對實際的多光譜圖像進行去霧。該發(fā)明的具體步驟如下：

步驟1：多光譜圖像去霧波段選擇

本發(fā)明針對landset8陸地成像儀(oli)采集的多光譜圖像進行去霧。landset8oli圖像有9個波段，其中波段6、7、9三個波段的波長是大于1的，可以穿透水粒子，因此這三個波段不受霧的影響。而剩下的6個波段(波段1至5、以及波段8)分別是海岸、可見光(包括藍、綠、紅三個波段)、近紅外以及全色波段，它們的波長是小于1的，會受到霧的影響，因此我們的算法針對這6個受霧影響的波段進行去霧。

步驟2：建立去霧模型

霧天成像模型可描述為：

i(x)＝j(x)t(x)+a(1-t(x))(i)

其中，i(x)為有霧圖像，j(x)為對應的清晰圖像，a是全局大氣光，t(x)為透射圖，x表示像素。

去霧問題即是要從有霧圖像i(x)中恢復出清晰圖像j(x)。根據(jù)霧天成像模型，去霧圖像和原始帶霧圖像之間為線性關系。令h代表有霧圖像，g表示被恢復的清晰圖像，函數(shù)f代表有霧圖像與對應清晰圖像之間的映射關系，則去霧問題可以建模為以下形式(即去霧模型)：

g＝f(h)(2)

根據(jù)公式(1)，一旦獲得映射關系f，則給定一個有霧圖像h，通過函數(shù)關系映射便可得到清晰圖像，從而實現(xiàn)圖像去霧。

本發(fā)明采用一個殘差卷積網(wǎng)絡來擬合有霧圖像到清晰圖像之間的映射關系f(h)。具有殘差結構的卷積神經(jīng)網(wǎng)絡，其輸入不僅傳遞給卷積層，并且在網(wǎng)絡末端與卷積層的輸出直接相加，形成最終的網(wǎng)絡輸出。殘差網(wǎng)絡中卷積層學習到的模型可描述為：

h(h)＝f(h)-h(3)

在殘差網(wǎng)絡中，大部分信息是由網(wǎng)絡輸入直接提供的，網(wǎng)絡學習過程主要是對輸入與輸出之間的殘差部分進行學習。而在去霧問題上，清晰圖像和其對應的有霧圖像具有相似的紋理和顏色，可以看作是去霧前圖像的一個近似，這一點恰好與殘差網(wǎng)絡的特點相對應。因此，我們用殘差卷積網(wǎng)絡來回歸學習清晰圖像，即：網(wǎng)絡中的權重層只需要學習有霧圖像和清晰圖像之間不同的部分(霧成分)，相同的地物紋理和顏色信息可以由輸入圖像直接提供。通過這一有參考的網(wǎng)絡結構，將有霧圖像到清晰圖像之間復雜的映射轉化為有霧圖像到霧成分之間簡單的映射，大大減小了網(wǎng)絡學習的難度。

由于霧的濃度和分布是多樣的，使用具有一個殘差結構的網(wǎng)絡模型進行霧成分的學習是很困難的。因此，我們把去霧模型(2)進一步分解為以下多個子任務(即多步去霧模型)：

g0＝f0(h)，g1＝f1(g0)，……，g＝fn(gn-1)(4)

其中，每個fi都是相對于f的弱映射。根據(jù)該多步去霧模型，輸入圖像h通過一系列的fi被逐步去霧，最終恢復為清晰圖像。相應的，對于每一個子映射fi，采用具有殘差結構的淺層卷積網(wǎng)絡來擬合，將這些殘差塊級聯(lián)起來組成一個深度卷積網(wǎng)絡，實現(xiàn)霧的逐步去除。

步驟3：設計卷積神經(jīng)網(wǎng)絡

根據(jù)步驟2中的多步去霧模型(4)，我們設計的網(wǎng)絡結構為：

conv1(3×3×16)→

resblock1(3×3×16)→…→resblockn(3×3×16)

→convm(3×3×6)

其中，conv表示卷積層，resblock表示殘差塊。每個殘差塊為一個兩層的殘差卷積結構，即resblock(3×3×16)＝[conv(3×3×16),conv(3×3×16)]。

網(wǎng)絡的輸入是6個波段的多光譜數(shù)據(jù)，輸出是相應的清晰圖像，整個網(wǎng)絡是端到端的全卷積結構。根據(jù)霧天成像模型，清晰圖像和有霧圖像之間為線性關系，因此該網(wǎng)絡中不包含任何非線性激活單元?？紤]到圖像每個像素點處的去霧只取決于局部信息，所有的卷積層均采用了3×3小卷積核。網(wǎng)絡的第一層卷積核個數(shù)為16，實現(xiàn)圖像數(shù)據(jù)的高維映射，使得后續(xù)的殘差塊可以在高維空間學習。網(wǎng)絡的最后一層卷積核個數(shù)為6，將特征圖映射到原始圖像維度，實現(xiàn)清晰圖像的輸出。在第一層和最后一層之間有n個殘差塊resblock，一個殘差塊對應(4)中的一個弱映射fi，n個殘差塊的級聯(lián)實現(xiàn)霧的逐步去除。

步驟4：訓練卷積神經(jīng)網(wǎng)絡

基于學習的去霧方法，需要帶標簽的霧樣本來進行訓練。但對于遙感圖像，有霧圖像及其對應清晰圖像(真值)是很難收集的。因此這類方法都是采用仿真的方式來獲得足夠多的帶標簽樣本。已有的霧仿真方法都是假定霧是波長無關的，對各個波段產(chǎn)生相同濃度的霧。而實際上，霧是波長相關的。本發(fā)明仿真生成波長相關的霧作為訓練樣本來對網(wǎng)絡進行訓練。

1)訓練樣本生成

根據(jù)霧天成像模型(1)可知，給定一幅清晰圖像j，通過調整全局大氣光a和透射圖t的值，代入到霧天成像模型中即可得到一幅有霧圖像。由于多光譜圖像各波段的透射圖之間具有一定的相關性，為清晰的多光譜圖像設置透射圖時，不同波段的透射圖之間需滿足相應的關系。因此，我們先推導不同波段透射圖之間的相關性，然后利用這個相關性來生成波長相關的帶霧多光譜圖像，即仿真得到有霧圖像。

①推導不同波段透射圖之間的關系

本發(fā)明針對landset8中6個受霧影響的波段去霧，我們先取波段1為基準波段，來推導其他5個波段與波段1之間的透射圖相關性。

根據(jù)霧成像的物理模型，透射圖t可描述為：

t(x)＝e^{-β(x，λ)d(x)}(5)

其中，d(x)表示真實場景中的物體到傳感器之間的距離，遙感圖像中，d(x)可看作是常量。β(x，λ)為衰減系數(shù)，反映了光被大氣中的粒子散射的程度，與大氣中的粒子和波長λ相關。具體地，根據(jù)rayleigh散射模型，衰減系數(shù)β可描述為：

其中，參數(shù)γ反映了大氣中粒子的大小，在霧天情況下，γ的值在[0.5，1]之間。

為了推導不同波段透射圖之間的關系，首先對透射圖t的表達式兩邊取自然對數(shù)，可得：

lnt＝-dβ(7)

由于d為固定的常量，因此波段1與其他波段之間關于lnt的比率為：

lnt1：lnti＝β1:βi(8)

其中ti和βi分別是波段i的透射圖和衰減系數(shù)。進一步變換以上公式可得：

最后，將rayleigh散射模型(6)代入公式(9)，即可得到波段1與其他波段透射圖之間的關系表達式：

其中，λi是第i個波段的波長，一般取波段的中間波長即可。γ為rayleigh散射模型中的參數(shù)，取值范圍為[0.5,1]，值越大，對應的霧越濃。從(10)可以看出，只要給出基準波段的透射圖t1以及γ的值，其他5個波段的透射圖即可通過(10)計算得到。

②霧合成

為了保證訓練集樣本的多樣性，我們合成不同濃度的霧圖像。

令γ的值分別取為0.5、0.7和1，t1的值在(0，1]范圍內(nèi)每隔0.1取值，共取值10次。針對每對(γ，t1)，按照公式(10)計算其他5個波段的透射圖，共可得到3×10＝30組透射圖模板(每組6個透射圖)。

對于一幅清晰的多光譜圖像(真值)，設置全局大氣光a的值為常量1，將每組透射圖模板按照霧天成像模型(1)疊加到清晰圖像的各個波段，即可合成帶霧的多光譜圖像。30組透射圖模板共可產(chǎn)生30幅同一場景下不同濃度的帶霧多光譜圖像。該方法合成的霧保持了各個波段之間的波長相關性，所產(chǎn)生的有霧圖像更接近于真實圖像。

2)網(wǎng)絡訓練

在本步驟中，用仿真得到的有霧圖像樣本對網(wǎng)絡進行訓練，實現(xiàn)有霧圖像到清晰圖像之間映射關系的學習。

由于在本發(fā)明中，卷積神經(jīng)網(wǎng)絡被用來解決回歸問題，網(wǎng)絡采用歐式距離作為損失函數(shù)：

其中，n為圖像個數(shù)，為網(wǎng)絡的實際輸出結果，gn為真值圖像。本發(fā)明選擇隨機梯度下降法來優(yōu)化該損失函數(shù)(11)，用仿真得到的有霧圖像對網(wǎng)絡進行迭代學習，更新網(wǎng)絡參數(shù)，當網(wǎng)絡的損失值趨于穩(wěn)定時，即可結束訓練，此時保存的網(wǎng)絡參數(shù)即為訓練好的去霧網(wǎng)絡模型。

步驟5：多光譜遙感圖像去霧

實現(xiàn)一幅多光譜遙感圖像去霧，只需將圖像輸入到步驟4訓練好的去霧網(wǎng)絡模型中，通過網(wǎng)絡的前向傳播，即可在網(wǎng)絡的輸出端得到被恢復的清晰圖像。

本發(fā)明是針對landset8多光譜數(shù)據(jù)的處理，該方法同樣適用于來自其他衛(wèi)星傳感器的多光譜數(shù)據(jù)。對于其他衛(wèi)星傳感器的多光譜數(shù)據(jù)，選擇波長小于1的波段，按照步驟4生成波長相關的仿真霧來對網(wǎng)絡進行訓練，即可實現(xiàn)多光譜圖像的有效去霧。

3、優(yōu)點及功效

本發(fā)明提出了一個基于卷積神經(jīng)網(wǎng)絡的多光譜遙感圖像去霧方法，通過一個卷積神經(jīng)網(wǎng)絡直接學習有霧圖像到清晰圖像之間的映射關系。卷積網(wǎng)絡采用級聯(lián)的殘差結構，可對去霧模型進行有參考的學習，并實現(xiàn)逐步去霧。該方法不僅易于學習和訓練，還可以通過加深網(wǎng)絡層數(shù)實現(xiàn)更高精度的去霧結果。同時，所設計的網(wǎng)絡是端到端的，整個去霧過程無需額外的處理，操作簡單。

傳統(tǒng)的遙感圖像去霧方法大多針對可見光波段，本方法可以有效去除多個波段中的霧。在訓練過程中，我們推導各波段之間透射圖的相關性，合成了波長相關的霧樣本，使得被訓練的網(wǎng)絡能夠準確地去除各個波段的霧，并且保持了圖像色彩、紋理的一致性，有效還原了遙感圖像原本的地物信息。

本發(fā)明是針對landset8多光譜數(shù)據(jù)的處理，該方法同樣適用于來自其他衛(wèi)星傳感器的多光譜數(shù)據(jù)。對于其他衛(wèi)星傳感器的多光譜數(shù)據(jù)，選擇波長小于1的波段，按照步驟4生成波長相關的仿真霧來對網(wǎng)絡進行訓練，即可實現(xiàn)多光譜圖像的有效去霧。

(四)附圖說明

圖1本發(fā)明所述圖像去霧方法的流程圖。

圖2本發(fā)明所設計的卷積神經(jīng)網(wǎng)絡結構圖。

圖3landsat8oli遙感圖像去霧結果。

圖4高分一號遙感圖像去霧結果。

(五)具體實施方式

為了更好地理解本發(fā)明的技術方案，以下結合附圖對本發(fā)明的實施方式作進一步描述：

本發(fā)明的流程圖如圖1所示。計算機配置采用：intelcorei5-6600k處理器，nvidiageforcegtx1080圖形處理器，主頻3.5ghz，內(nèi)存16gb，操作系統(tǒng)為ubuntu16.04。去霧方法的實現(xiàn)基于caffe工具包。本發(fā)明是一種基于卷積神經(jīng)網(wǎng)絡的多光譜圖像去霧方法，具體包括以下步驟：

步驟1：多光譜圖像去霧波段選擇

本發(fā)明采用landsat8oli傳感器采集的多光譜遙感圖像數(shù)據(jù)。landsat8oli圖像共包括9個波段，而其中的海岸波段、可見光波段(藍波段、綠波段、紅波段)、近紅外波段、全色波段其波長小于1，容易受到霧的影響。因此，本發(fā)明針對以上6個容易受到霧影響的波段進行去霧。

步驟2：建立去霧模型

令h代表有霧圖像，g表示恢復的清晰圖像，函數(shù)f代表有霧圖像與對應清晰圖像之間的映射關系，則去霧問題被建模為以下形式(即去霧模型)：

g＝f(h)

根據(jù)上式，一旦獲得該映射關系f，給定有霧圖像h，通過函數(shù)關系映射便可得到清晰圖像，從而實現(xiàn)圖像去霧。

本發(fā)明采用一個殘差卷積網(wǎng)絡來擬合有霧圖像到清晰圖像之間的映射關系f(h)。在該結構中，網(wǎng)絡的輸入不僅傳遞給卷積層，并且在網(wǎng)絡末端與卷積層的輸出直接相加，形成最終的網(wǎng)絡輸出。殘差網(wǎng)絡中卷積層學習到的模型可描述為：

h(h)＝f(h)-h

利用具有殘差結構的網(wǎng)絡學習去霧，網(wǎng)絡中的權重層只需要學習有霧圖像和清晰圖像之間不同的部分h(h)(霧成分)，相同的地物紋理和顏色信息可以由輸入圖像直接提供。通過這一有參考的網(wǎng)絡結構，將有霧圖像到清晰圖像之間復雜的映射轉化為有霧圖像到霧成分之間簡單的映射，大大減小了網(wǎng)絡學習的難度。

由于霧的濃度和分布是多樣的，使用具有一個殘差結構的網(wǎng)絡模型進行霧成分的學習是很困難的。因此，去霧模型被進一步分解為以下多個子任務：

g0＝f0(h)，g1＝f1(g0)，……，g＝fn(gn-1)

其中，每個fi都是相對于f的弱映射。有霧圖像h通過一系列的fi被逐步去霧，最終恢復為清晰圖像。

步驟3：設計卷積神經(jīng)網(wǎng)絡

根據(jù)步驟2建立的去霧模型，設計如圖2所示的級聯(lián)殘差卷積網(wǎng)絡。

網(wǎng)絡的輸入是6個波段的多光譜數(shù)據(jù)，輸出是相應的清晰圖像，整個網(wǎng)絡是端到端的全卷積結構，所有的卷積層均采用了3×3小卷積核。網(wǎng)絡的第一層將特征空間映射到高維，輸出16個特征圖。在第一個卷積層之后為n個殘差塊，每個殘差塊是一個兩層的殘差卷積結構，分別學習去霧模型中的多個子映射。網(wǎng)絡的最后一層將特征圖映射到原始圖像維度，輸出6個波段的去霧結果。網(wǎng)絡的深度由殘差塊的個數(shù)n決定。通常，網(wǎng)絡越深，去霧的準確度越高，而模型的復雜度也越高。考慮到網(wǎng)絡精度和時間復雜度兩方面因素，本發(fā)明選取n＝5作為最終的網(wǎng)絡結構。

步驟4：訓練卷積神經(jīng)網(wǎng)絡

1)訓練樣本生成

本方法采用仿真的方式獲取有霧圖像及其真值圖像，以此構建訓練數(shù)據(jù)集。具體操作包括以下步驟：

①獲取清晰的多光譜圖像。從提供免費landsat8oli數(shù)據(jù)的網(wǎng)站(http://ids.ceode.ac.cn/query.html)上下載多景多光譜遙感圖像，保存到本地。對于每景圖像，采用envi5.0軟件將其打開，選取圖像中大小為200×200的清晰區(qū)域，保存步驟1中確定的6個待去霧波段。通過該步驟操作，共可獲得400幅清晰圖像，每幅圖像具有6個波段，圖像大小為200×200。

②合成霧圖像。根據(jù)霧天成像模型，給定一幅清晰圖像，通過調整大氣光a和透射圖t的值,代入到霧天成像模型中即可得到有霧圖像。由于多光譜圖像各波段的透射圖之間具有一定相關性，根據(jù)rayleigh散射模型，可推導得到波段1與其他波段透射圖之間滿足以下關系：

其中，λ為各個波段的中心波長。對于landsat8oli衛(wèi)星采集的遙感圖像，各波段的中心波長分別為：海岸波段0.448μm，藍波段0.483μm，綠波段0563μm，紅波段0.655μm，近紅外波段0.865μm，全色波段0.590μm?？梢钥闯?，根據(jù)該關系表達式，只要給定波段1的透射圖t1以及γ的值，其他5個波段的透射圖即可通過該表達式計算得到。

為了合成不同濃度的霧圖像，令γ的值分別取為0.5、0.7和1，t1的值在(0，1]范圍內(nèi)每隔0.1取值，共取值10次。針對每對(γ，t1)，按照上式計算其他5個波段的透射圖，共可得到3×10＝30組透射圖模板(每組有6個透射圖，對應了6個波段)。對于一幅清晰的多光譜圖像(真值)，設置大氣光a的值為常量1，將每組透射圖模板按照霧成像模型疊加到清晰圖像的各個波段，即可合成帶霧的多光譜圖像。30組透射圖模板共可產(chǎn)生30幅同一場景下不同濃度的帶霧多光譜圖像。

對于收集的400幅清晰圖像，可以產(chǎn)生400*30＝12000個帶標簽的霧樣本。這些樣本包含了不同的地物場景，并均衡地涵蓋了霧濃度的各種情況，保證了訓練集中樣本的多樣性和均衡性。

2)網(wǎng)絡訓練

由于在本發(fā)明中，卷積神經(jīng)網(wǎng)絡被用來解決回歸問題，網(wǎng)絡采用歐式距離作為損失函數(shù)：

其中，n為圖像個數(shù)，為網(wǎng)絡的實際輸出結果，gn為真值圖像。通過最小化該損失函數(shù)，進行網(wǎng)絡訓練，學習去霧網(wǎng)絡模型。

對于12000個仿真有霧圖像，將其中的9000個樣本作為訓練集對網(wǎng)絡進行訓練，剩余的3000個樣本作為驗證集進行超參數(shù)的調整。為了防止過擬合，損失函數(shù)以二范數(shù)形式對參數(shù)進行正則化約束，正則化系數(shù)為0.0001。在開始訓練之前，輸入圖像被歸一化到[0，1]之間，卷積核的權重采用均值為0、方差為0.01的高斯函數(shù)進行初始化，偏置采用固定值0.01進行初始化。在進行模型優(yōu)化時，采用隨機梯度下降的方式更新網(wǎng)絡參數(shù)，其中動量參數(shù)設為0.9。初始學習率為10^-7，并且在損失值達到穩(wěn)定時減小為原來的一半。整個訓練過程在nvidiageforcegtx1080gpu上進行，訓練共迭代170，000次。

步驟5：多光譜遙感圖像去霧

本發(fā)明設計的多光譜遙感圖像去霧方法是端到端的，一旦訓練好網(wǎng)絡模型，只需將待去霧的多光譜圖像輸入到網(wǎng)絡中，通過網(wǎng)絡的前向傳播，即可在輸出端得到被恢復的清晰圖像。圖3展示了一個多光譜遙感圖像去霧實例，可以看到本發(fā)明的方法有效去除了各波段中的霧，真實還原了原始的地物信息。

本發(fā)明是針對landset8多光譜數(shù)據(jù)的處理，該方法同樣適用于來自其他衛(wèi)星傳感器的多光譜數(shù)據(jù)。對于其他衛(wèi)星傳感器的多光譜數(shù)據(jù)，選擇波長小于1的波段，按照步驟4生成波長相關的仿真霧來對網(wǎng)絡進行訓練，即可實現(xiàn)多光譜圖像的有效去霧。

對不同衛(wèi)星傳感器的去霧，除了訓練數(shù)據(jù)不同、去霧波段選取不同、卷積神經(jīng)網(wǎng)絡的輸入輸出通道數(shù)不同以外，其他基本一致。以下給出了高分一號衛(wèi)星去霧的實施過程，對于其他衛(wèi)星的去霧過程也是相同的道理，與landsat8、高分一號的過程一致。以下給出高分一號遙感圖像去霧的具體實施例。

高分一號衛(wèi)星是由我國長征二號丁運載火箭發(fā)射并正常運行，是高分辨對地觀測系統(tǒng)的首發(fā)星。高分一號衛(wèi)星的多光譜圖相機采集的遙感圖像共包含4個波段：藍波段、綠波段、紅波段、近紅外波段，它們的波長均小于1μm，容易受到霧的影響。因此，高分圖像的四個波段均需要去霧處理。

根據(jù)上述步驟2和步驟3所述內(nèi)容構建去霧模型，設計卷積神經(jīng)網(wǎng)絡。對于高分圖像，卷積神經(jīng)網(wǎng)絡的輸入是4個波段的多光譜數(shù)據(jù)，輸出是相應的清晰圖像。整個網(wǎng)絡是端到端的全卷積結構，所有的卷積層均采用了3×3小卷積核。網(wǎng)絡的第一層將特征空間映射到高維，輸出16個特征圖。在第一個卷積層之后為5個殘差塊，每個殘差塊是一個兩層的殘差卷積結構，分別學習去霧模型中的多個子映射。網(wǎng)絡的最后一層將特征圖映射到原始圖像維度，輸出4個波段的去霧結果。

訓練樣本同樣采用霧仿真的方式生成。

①獲取清晰的高分一號遙感圖像。從中國資源衛(wèi)星應用中心網(wǎng)站(http://www.cresda.com/cn/)上下載多景遙感圖像，保存到本地。對于每景圖像，采用envi5.0軟件將其打開，選取圖像中大小為200×200的清晰區(qū)域，保存圖像的所有波段。通過該步驟操作，共可獲得400幅清晰圖像，每幅圖像具有4個波段，圖像大小為200×200。

②合成霧圖像。根據(jù)霧天成像模型，給定一幅清晰圖像，通過調整大氣光a和透射圖t的值,代入到霧天成像模型中即可得到有霧圖像。由于遙感圖像各波段的透射圖之間具有一定相關性，根據(jù)rayleigh散射模型，可推導得到波段1與其他波段透射圖之間滿足以下關系：

其中，λ為各個波段的中心波長。對于高分一號衛(wèi)星采集的多光譜遙感圖像，各波段的中心波長分別為：藍波段0.485μm，綠波段0.555μm，紅波段0.660μm，近紅外波段0.830μm?？梢钥闯?，根據(jù)該表達式，只要給定波段1的透射圖t1以及γ的值，其他3個波段的透射圖即可通過該表達式計算得到。

為了合成不同濃度的霧圖像，令γ的值分別取為0.5、0.7和1，t1的值在(0，1]范圍內(nèi)每隔0.1取值，共取值10次。針對每對(γ，t1)，按照上式計算其他3個波段的透射圖，共可得到3×10＝30組透射圖模板(每組有4個透射圖，對應4個波段)。對于一幅清晰的高分一號圖像(真值)，設置大氣光a的值為常量1，將每組透射圖模板按照霧成像模型疊加到清晰圖像的各個波段，即可合成帶霧的多光譜圖像。30組透射圖模板共可產(chǎn)生30幅同一場景下不同濃度的帶霧多光譜圖像。

對于收集的400幅清晰圖像，共可以產(chǎn)生400*30＝12000個帶標簽的霧樣本。這些樣本包含了不同的地物場景，并均衡地涵蓋了霧濃度的各種情況，保證了訓練集中樣本的多樣性和均衡性。

采用合成的高分一號遙感圖像數(shù)據(jù)集進行網(wǎng)絡訓練，得到相應的去霧網(wǎng)絡模型。對于一幅有霧的遙感圖像，將它輸入到網(wǎng)絡中，對網(wǎng)絡進行前向傳播，即可輸出去霧后的結果。圖4展示了高分一號圖像去霧的結果。