Jun, 2023

SAGE-NDVI: 一种利用卫星到地面 NDVI 知识进行遥感图像去雾的打破刻板印象的评估指标

PDF
TL;DR本文提出一种基于植被指数差错的遥感图像去雾客观评价指标，在广泛的实验中，验证该指标可以适当地评估不同的去雾模型，并符合人类视觉感知。
image dehazingremote sensing imagesobjective metricvegetation index errorhuman visual perception
发现论文，激发创造
  • 雾霾去除是否有助于基于 CNN 的图像分类？

    通过实验结果，发现现有的图像去雾方法不能显著改善图像分类性能，有时会甚至会降低图像分类性能。

    Oct, 2018

  • 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述

    在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

    May, 2024

  • 基于无人机和机器学习的卫星驱动植被指数精细化农业应用优化

    本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

    Apr, 2020

  • RSDehamba: 轻量级遥感卫星图像去雾视觉麻蛇

    基于 RSDhamba 的轻量级网络，将选择性状态空间模型（SSM）整合到 U-Net 架构中，通过视觉 Dehamba 块（VDB）实现全局上下文编码，并通过 Direction-aware Scan 模块（DSM）动态聚合特征交换，以有效增强对空间变化的雾分布的灵活性。实验结果验证了我们的 RSDehamba 相对于现有最先进方法的卓越性能。

    May, 2024

  • 无关深度的单幅图像去雾

    提出了一种基于合成数据集和全局洗牌策略的解决方案，用于改进单图像去雾问题的深度学习训练方法，并介绍了一个基于卷积跳跃连接模块的改进网络结构，该模块能够以较低的计算成本实现更好的性能。

    Jan, 2024

  • 单幅图像去雾及深度学习评估

    本文使用 RESIDE 数据集，对现有的单幅图像去雾算法进行了全面的研究和评估，提出了丰富的评价指标从多个角度进行度量，并通过实验比较了现有算法的优缺点，探索了未来的研究方向。

    Dec, 2017

  • NH-HAZE: 具有非均质模糊和无模糊图像的图像去雾基准测试

    本研究提供了第一个包含非均一雾的真实数据集（NH-HAZE），用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况，并对多种最先进的去雾方法进行了评估。

    May, 2020

  • I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试

    介绍了一个新的数据集 - I-HAZE，包含由真实雾气生成的 35 对室内图像，便于比较图像去雾算法的表现。

    Apr, 2018

  • 基于区域饱和度 - 值转换和软分割的雾霾去除

    该研究提出了一种称为区域饱和度 - 值转换（RSVT）的单图像去雾先验，以解决常规去雾方法在亮区域中引起的色彩失真问题。通过将软分割掩模与 RSVT 先验相结合，在各种合成和真实模糊图像数据集上进行的实验证明该方案成功解决了色彩失真问题，并恢复了视觉吸引力的图像。

    Jan, 2024

  • 利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数

    使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

    Nov, 2023