本项目实现了一种基于生成对抗网络 (GAN) 的光学遥感图像去雾技术旨在解决遥感图像中雾霾影响图像清晰度和信息可解释性的问题。系统采用基于 U-Net 的条件 GAN 架构结合自注意力机制和掩码引导策略显著提高了去雾效果。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有效去除雾霾的同时保留了图像细节还原了原始颜色并保持了视觉一致性。系统支持 Web 界面操作方便用户直接使用并提供多种后处理增强选项进一步提升图像质量。该系统可广泛应用于遥感图像预处理、地表变化监测、环境监测、灾害监测与评估、农业监测和智慧城市等领域。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。系统提供的 Web 界面友好易用支持参数设置和结果展示方便用户进行个性化操作。该系统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。3.1 系统概述本项目开发了一种能够有效去除光学遥感图像中雾霾影响的深度学习方法。系统采用基于 U-Net 的条件生成对抗网络架构结合自注意力机制和掩码引导策略显著提高了去雾效果。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有效去除雾霾的同时保留了图像细节还原了原始颜色并保持了视觉一致性。系统支持 Web 界面操作方便用户直接使用并提供多种后处理增强选项进一步提升图像质量。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。该系统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3-1 模型流程图3.3.1 数据分析与特征提取系统在接收到用户上传的有雾遥感图像后首先进行初步的数据分析包括图像的尺寸、分辨率、雾浓度评估等为后续处理提供基础信息。随后利用深度学习技术特别是U-Net架构对图像进行特征提取精准捕捉图像中的边缘、纹理等关键细节。在特征提取过程中系统通过组合损失函数确保生成对抗网络GAN在去雾的同时能够有效保留图像的原始特征和颜色信息。这种数据分析与特征提取的有机结合为后续的图像去雾和质量提升奠定了坚实基础确保了系统在去除雾霾、保留细节、还原颜色和保持视觉一致性等方面的卓越表现。3.3.2 模型设计与优化本项目的核心是构建并优化一个基于生成对抗网络 (GAN) 的深度学习模型用于有效去除遥感图像中的雾霾。模型采用 U-Net 架构作为生成器利用其编码器-解码器结构和跳跃连接能够有效地提取图像特征并进行上采样重建。同时引入自注意力机制增强模型对图像中不同区域关系的理解进一步提升特征表示能力。判别器采用 PatchGAN 架构关注图像局部区域质量判断生成器生成的图像是否真实。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多目标优化有效去除雾霾的同时保留图像细节还原原始颜色并保持视觉一致性。在训练过程中采用 Adam 优化器并结合余弦退火学习率调度策略逐步降低学习率提高模型训练的稳定性和收敛速度。此外还采用数据增强技术增加训练数据多样性提升模型的泛化能力和鲁棒性。通过以上模型设计与优化策略本项目成功构建了一个高效、鲁棒的遥感图像去雾模型实现了去除雾霾、保留细节、还原颜色和保持视觉一致性等功能为遥感图像去雾提供了一种有效的解决方案。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