双向映射与物理负相关的航空图像去雾算法

doi:10.7527/S1000-6893.2025.31652

干扰环境下无人机多源感知专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

双向映射与物理负相关的航空图像去雾算法

姚兆汝¹, 孙航¹^,²(), 任东¹^,², 刘莉¹^,², 万俊³

^1.三峡大学计算机与信息学院，宜昌 443002
^2.三峡大学水电工程智能视觉监测湖北省重点实验室，宜昌 443002
^3.中南财经政法大学信息工程学院，武汉 430073

收稿日期:2024-12-11 修回日期:2025-01-10 接受日期:2025-02-21 出版日期:2025-03-19 发布日期:2025-03-19
通讯作者: 孙航 E-mail:sunhang@ctgu.edu.cn
基金资助:
国家自然科学基金(62576192);国家自然科学基金(42401404)

Bidirectional mapping and negative correlation algorithm for aerial image dehazing

Zhaoru YAO¹, Hang SUN¹^,²(), Dong REN¹^,², Li LIU¹^,², Jun WAN³

^1.College of Computer and Information Technology，China Three Gorges University，Yichang 443002，China
^2.Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering，China Three Gorges University，Yichang 443002，China
^3.School of Information Engineering，Zhongnan University of Economics and Law，Wuhan 430073，China

Received:2024-12-11 Revised:2025-01-10 Accepted:2025-02-21 Online:2025-03-19 Published:2025-03-19
Contact: Hang SUN E-mail:sunhang@ctgu.edu.cn
Supported by:
National Natural Science Foundation of China(62576192)

摘要/Abstract

摘要：

近年来基于深度神经网络的航空图像去雾技术取得了显著进展。然而，大多数方法仅学习从雾霾图像到清晰图像的单向映射，未充分利用雾霾生成过程中的潜在监督信息，导致去雾性能下降。此外，现有在特征空间引入大气散射模型的方法忽略了传输图与大气光之间的物理负相关性，这对学习更具代表性的特征至关重要。为此，提出了一种双向映射与物理负相关的航空图像去雾算法。具体来说，构建了双向映射多阶段框架，在共享参数的网络中协同建模雾霾去除与生成过程，有效探索了雾霾形成机制，从而提升去雾性能。设计了大气光引导的物理负相关感知模块，通过负相关引导机制利用大气光信息优化传输图特征估计。在公开航空雾霾数据集上的实验结果表明，所提方法在客观评价指标和视觉效果方面均优于当前最先进的7种去雾算法。

关键词: 航空图像去雾, 双向映射, 多阶段, 负相关, 大气散射模型

Abstract:

Recently， deep neural networks based aerial image dehazing techniques have achieved remarkable performance. However， most methods only learn a one-way mapping from hazy images to clear images， which fail to fully exploit the latent supervision information of haze generation， leading to dehazing performance degradation. Moreover， existing methods that incorporate the atmospheric scattering model in the feature space overlook the exploration of the negative correlation between the transmission map and atmospheric light， which is crucial for leaning more representative features. To address these issues， we propose a bidirectional mapping physics-aware negative correlation algorithm for aerial image dehazing. Specifically， the proposed bidirectional mapping multi-stage framework synchronously models haze removal and generation processes in a parameter-sharing network， effectively exploring the haze formation mechanism to enhance dehazing performance. Furthermore， an atmospheric light-guided physics-aware negative correlation module is designed， which optimizes transmission map estimation by leveraging a negative correlation guidance mechanism utilizing atmospheric light information. Experimental results on public datasets demonstrate that the proposed dehazing algorithm outperforms seven state-of-the art haze removal methods in both objective evaluation and visual quality.

Key words: aerial image dehazing, bidirectional mapping, multi-stage, negative correlation, atmospheric scattering model

中图分类号:

姚兆汝, 孙航, 任东, 刘莉, 万俊. 双向映射与物理负相关的航空图像去雾算法[J]. 航空学报, 2025, 46(23): 631652.

Zhaoru YAO, Hang SUN, Dong REN, Li LIU, Jun WAN. Bidirectional mapping and negative correlation algorithm for aerial image dehazing[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(23): 631652.

图/表 9

图 1

图 2

表1

表2

图 3

图 4

图 5

表3

图6

参考文献 39

[1]	SUN S L， WANG T Y， YANG H X， et al. An environmentally adaptive and contrastive representation learning method for condition monitoring of industrial assets［J］. IEEE Transactions on Cybernetics， 2024， 54（3）： 1484-1496.
[2]	SUNG T， KANG Y， IM J. Enhancing satellite-based wildfire monitoring： Advanced contextual model using environmental and structural information［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 4409516.
[3]	EVANGELISTA S S， MATURAN F， WENCESLAO C， et al. Cumulative prospect theory under different types of input data for public health resilience assessment during natural disasters［J］. Expert Systems with Applications， 2024， 258： 125172.
[4]	CHEN F， SUN Y， WANG L， et al. HRTBDA： A network for post-disaster building damage assessment based on remote sensing images［J］. International Journal of Digital Earth， 2024， 17（1）：2418880.
[5]	YAN L Q， YANG S H， ZHANG Q， et al. Multi-source information fusion attention network for weakly supervised salient object detection in optical remote sensing images［J］. Expert Systems with Applications， 2025， 261： 125505.
[6]	ZHU J Y， QIN X B， ELSADDIK A. DC-Net： Divide-and-conquer for salient object detection［J］. Pattern Recognition， 2025， 157： 110903.
[7]	李红光，于若男，丁文锐. 基于深度学习的小目标检测研究进展［J］. 航空学报， 2021， 42（7）： 024691.
	LI H G， YU R N， DING W R. Research development of small object traching based on deep learning［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（7）： 024691 （in Chinese）.
[8]	FATIMA R， SADIQ R， ULLAH I， et al. Multiple passive-sensor distributed target tracking approach with Machine Learning Feedback［J］. Expert Systems with Applications， 2024， 238： 122344.
[9]	XUE X R， WEI D Z， HUANG S C. Cluster target tracking based on multi-sensor continuous-discrete PMBM filter［J］. Expert Systems with Applications， 2024， 245： 123121.
[10]	LI W， LIAO M X， ZOU W B. A progressive segmentation network for navigable areas with semantic-spatial information flow［J］. Expert Systems with Applications， 2025， 261： 125465.
[11]	ZHENG X， LUO Y H， ZHOU P Y， et al. Distilling efficient vision transformers from CNNs for semantic segmentation［J］. Pattern Recognition， 2025， 158： 111029.
[12]	HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）： 2341-2353.
[13]	ZHU Q S， MAI J M， SHAO L. A fast single image haze removal algorithm using color attenuation prior［J］. IEEE Transactions on Image Processing， 2015， 24（11）： 3522-3533.
[14]	BERMAN D， TREIBITZ T， AVIDAN S. Non-local image dehazing［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016.
[15]	CANTOR A. Optics of the atmosphere： Scattering by molecules and particles［J］. IEEE Journal of Quantum Electronics， 1978， 14（9）： 698-699.
[16]	QIN X， WANG Z L， BAI Y C， et al. FFA-net： Feature fusion attention network for single image dehazing［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 11908-11915.
[17]	DONG J X， PAN J S. Physics-based feature dehazing networks［C］∥Computer Vision-ECCV 2020. Cham： Springer International Publishing， 2020.
[18]	ZHENG Y， ZHAN J H， HE S F， et al. Curricular contrastive regularization for physics-aware single image dehazing［C］∥2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2023.
[19]	WEN Y B， GAO T， ZHANG J， et al. Encoder-free multiaxis physics-aware fusion network for remote sensing image dehazing［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 4705915.
[20]	SONG Y D， HE Z Q， QIAN H， et al. Vision transformers for single image dehazing［J］. IEEE Transactions on Image Processing， 2023， 32： 1927-1941.
[21]	CHEN Z X， HE Z W， LU Z M. DEA-net： Single image dehazing based on detail-enhanced convolution and content-guided attention［J］. IEEE Transactions on Image Processing， 2024， 33： 1002-1015.
[22]	CUI Y N， REN W Q， CAO X C， et al. Image restoration via frequency selection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 46（2）： 1093-1108.
[23]	CUI Y N， KNOLL A. Dual-domain strip attention for image restoration［J］. Neural Networks， 2024， 171： 429-439.
[24]	GUO Y， CHEN J， WANG J D， et al. Closed-loop matters： Dual regression networks for single image super-resolution［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020.
[25]	ZHU Y R， HUANG J， FU X Y， et al. Bijective mapping network for shadow removal［C］∥2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2022.
[26]	FENG C F， CHEN Z Y， KOU R K， et al. HazyDet： Open-source benchmark for drone-view object detection with depth-cues in hazy scenes［DB/OL］. arXiv preprint： 2409.19833，2024.
[27]	ZHANG L B， WANG S. Dense haze removal based on dynamic collaborative inference learning for remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 5631016.
[28]	CAI B L， XU X M， JIA K， et al. DehazeNet： An end-to-end system for single image haze removal［J］. IEEE Transactions on Image Processing， 2016， 25（11）： 5187-5198.
[29]	REN W Q， LIU S， ZHANG H， et al. Single image dehazing via multi-scale convolutional neural networks［M］∥Computer Vision-ECCV 2016. Cham： Springer International Publishing， 2016： 154-169.
[30]	ZHANG H， PATEL V M. Densely connected pyramid dehazing network［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018.
[31]	HE T， ZHANG Z， ZHANG H， et al. Bag of tricks for image classification with convolutional neural networks［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2019.
[32]	WANG Z， BOVIK A C， SHEIKH H R， et al. Image quality assessment： From error visibility to structural similarity［J］. IEEE Transactions on Image Processing， 2004， 13（4）： 600-612.
[33]	VENKATANATH N， PRANEETH D， BH M C， et al. Blind image quality evaluation using perception based features［C］∥IEEE National Conference on Communications. Piscataway： IEEE Press， 2015.
[34]	MITTAL A， MOORTHY A K， BOVIK A C. Blind/referenceless image spatial quality evaluator［C］∥2011 Conference Record of the Forty Fifth Asilomar Conference on Signals， Systems and Computers （ASILOMAR）. Piscataway： IEEE Press， 2011.
[35]	MITTAL A， SOUNDARARAJAN R， BOVIK A C. Making a “completely blind” image quality analyzer［J］. IEEE Signal Processing Letters， 2013， 20（3）： 209-212.
[36]	王敬东，张文涛，王子瑞，等. 一种快速航空图像去雾算法［J］. 航空学报， 2013， 34（3）： 636-643.
	WANG J D， ZHANG W T， WANG Z R， et al. A fast aerial image de-haze algorithm［J］. Acta Aeronautica et Astronautica Sinica， 2013， 34（3）： 636-643 （in Chinese）.
[37]	孙航，方帅领，但志平，等. 层级特征交互与增强感受野双分支遥感图像去雾网络［J］. 遥感学报， 2023， 27（12）： 2831-2846.
	SUN H， FANG S L， DAN Z P， et al. A two-branch remote sensing image dehazing network based on hierarchical feature interaction and enhanced receptive field［J］. National Remote Sensing Bulletin， 2023， 27（12）： 2831-2846 （in Chinese）.
[38]	LI H Y， LI J， ZHAO D， et al. DehazeFlow： Multi-scale conditional flow network for single image dehazing［C］∥Proceedings of the 29th ACM International Conference on Multimedia. New York： ACM， 2021.
[39]	GUO X J， DU Y Q， ZHAO L. Property controllable variational autoencoder via invertible mutual dependence ［C］∥International Conference on Learning Representations， 2021. Vienna： OpenReview， 2021.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

方法	文献	年份	HazyDet			DHID	Overhead
方法	文献	年份	PSNR	SSIM	PSNR	SSIM	Parameters/10⁶	FLOPs/10⁹	Runtime/ms	Weight Size/MB
DCP	［12］	2010	16.98	0.824	11.37	0.621		0.6	10.48
FFA	［16］	2020	19.25	0.798	22.03	0.840	4.69	287.53	45.82	17.88
C2PNet	［18］	2023	21.31	0.832	27.35	0.881	7.17	460.95	80.60	27.34
DehazeFormer	［20］	2023	17.53	0.802	27.23	0.887	2.51	25.79	45.27	9.57
DEA-Net	［21］	2024	25.01	0.890	27.42	0.891	13.65	32.23	32.32	52.05
FSNet	［22］	2024	24.14	0.884	27.46	0.897	13.28	111.14	59.89	50.64
DSANet	［23］	2024	19.01	0.751	26.84	0.880	3.86	37.72	16.14	14.72
本文方法			27.06	0.908	27.58	0.899	1.01	29.45	24.01	3.85

方法	PIQE	BRISQUE	NIQE
Hazy image	28.57	40.51	4.857
DCP	40.19	32.34	4.352
FFA	23.66	28.76	4.512
C2PNet	23.55	24.65	4.654
DehazeFormer	27.77	29.13	4.478
DEA-Net	19.11	23.57	4.406
FSNet	21.31	24.02	4.464
DSANet	25.34	28.55	4.754
本文方法	16.51	23.39	4.313

方法	PSNR	SSIM	Parameters/10⁶	FLOPs/10⁹
Base	23.81	0.861	1.99	57.29
Base+创新1	26.33	0.894	1.01	29.45
Base+创新2	26.20	0.892	1.24	29.68
本文方法	27.06	0.908	1.24	29.68

双向映射与物理负相关的航空图像去雾算法

Bidirectional mapping and negative correlation algorithm for aerial image dehazing

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 39

相关文章 4

编辑推荐

Metrics

本文评价

[1]	张帆, 孙紫荆, 肖国松, 刘嘉琛, 王鹏. 基于直觉模糊贝叶斯网络的HUD系统多阶段任务可靠性分析[J]. 航空学报, 2023, 44(4): 226853-226853.
[2]	周聪, 闫晓东, 唐硕, 吕石. 大气层内模型预测静态规划拦截中制导[J]. 航空学报, 2021, 42(11): 524912-524912.
[3]	闫志强;蒋英杰;谢红卫. 多阶段含延缓纠正可靠性增长的MS-NHPP模型及其Bayes分析[J]. 航空学报, 2010, 31(4): 785-790.
[4]	常青;濮剑锋;高洪元;张其善. 基于改进的克隆选择算法的多用户检测技术[J]. 航空学报, 2007, 28(2): 391-396.