基于空间特征驱动透射图估计的Sentinel-2多光谱影像去雾方法及S2CH-MSI数据集构建

《IEEE Access》：Spatial-Characteristics Driven Transmission Map Estimation for the Haze Removal in Sentinel-2 Spectral Bands Using the S2 China Hazy-MSI Dataset

为解决Sentinel-2多光谱影像(MSI)受雾霾影响导致对比度下降、细节丢失及现有去雾方法在MSI上表现不佳的问题，研究人员开展了一项基于空间特征驱动透射图估计的去雾研究。该研究提出了一种利用局部亮度、局部强度最大最小差及大气光等空间特征的新型透射图估计方法，并构建了Sentinel-2中国雾霾MSI(S2CH-MSI)数据集。结果表明，该方法在定性和定量评估上均优于现有去雾方法，显著提升了图像质量，为遥感影像分析提供了更可靠的数据基础。

　　

在遥感技术飞速发展的今天，Sentinel-2卫星凭借其高光谱和高空间分辨率，已成为地球观测不可或缺的利器。然而，这颗“天眼”也时常被地球大气中的“面纱”——雾霾所困扰。雾霾中的水汽和气溶胶会散射光线，导致卫星拍摄的多光谱影像(MSI)变得模糊、对比度降低，严重影响了后续的土地覆盖制图、环境监测和农业分析等应用。

尽管科学家们已经开发了多种图像去雾算法，但大多数方法都专注于我们日常所见的RGB图像。当这些方法直接应用于包含近红外、短波红外等更多波段的Sentinel-2多光谱影像时，往往会出现亮度不足、色彩失真、细节丢失等问题。此外，许多基于深度学习的方法虽然效果不错，但需要海量的标注数据进行训练，计算成本高昂，且泛化能力有限。因此，开发一种能够有效处理多光谱影像、且不依赖大量训练数据的去雾方法，成为了遥感领域一个亟待解决的问题。

为了攻克这一难题，BALLA PAVAN KUMAR及其合作者开展了一项创新研究，提出了一种基于空间特征驱动透射图估计的去雾方法。该研究不仅提出了一种新颖的算法，还构建了一个名为Sentinel-2中国雾霾MSI(S2CH-MSI)的新数据集，为方法评估提供了坚实的基础。相关研究成果已发表在《IEEE Access》上。

关键技术方法

本研究主要采用了以下关键技术方法：

1. 1.
   S2CH-MSI数据集构建：研究团队从中国50个地理多样化的地点收集了云量低于5%的Sentinel-2 L2A级无雾影像作为地面真值。利用大气散射模型(ASM)，结合6种不同的卷云波段(CB)和两种雾霾厚度（轻度与重度），对这些无雾影像进行雾霾模拟，最终构建了包含600组合成雾霾MSI的S2CH-MSI数据集。
2. 2.
   空间特征驱动的透射图估计：该方法的核心是提出了一种新颖的透射图估计策略。它不再依赖传统的暗通道先验，而是综合利用了图像的空间特征，包括分块局部亮度(PWLL)、分块局部强度最大最小差(PWLIMMD)以及全局大气光。通过一个指数衰减模型将这些特征融合，生成初始的透射图，并利用高斯滤波器进行细化，以消除块状伪影。
3. 3.
   波长相关的透射调整与去雾：对于RGB波段，直接使用估计的透射图进行去雾。对于其他非RGB波段，则根据其中心波长与参考波长的关系，对透射图进行波长相关的调整，从而实现对Sentinel-2所有13个光谱波段的去雾处理。

研究结果

1. 空间特征驱动的透射图估计

研究团队提出了一种全新的透射图估计方法，该方法的核心在于利用雾霾在图像中表现出的空间统计特征。具体而言，该方法综合考量了三个关键因素：分块局部亮度(PWLL)、分块局部强度最大最小差(PWLIMMD)以及全局大气光。PWLL反映了图像局部区域的明暗程度，而PWLIMMD则衡量了局部区域的对比度。在雾霾区域，由于大气光的散射作用，局部亮度会趋向于大气光值，而局部对比度则会显著降低。该方法通过一个指数衰减模型，将这两个互补的特征与大气光相结合，构建出初始的透射图。为了消除因分块处理可能产生的边缘伪影，研究进一步利用高斯滤波器对透射图进行了细化处理，最终得到平滑且准确的透射图。

2. 基于S2CH-MSI数据集的去雾性能评估

为了验证所提方法的有效性，研究团队在自行构建的S2CH-MSI数据集上进行了全面的实验。该数据集覆盖了中国50个地理多样化的地点，并模拟了不同厚度（轻度和重度）的雾霾。实验结果表明，该方法能够有效去除雾霾，恢复图像的细节和色彩。在轻度雾霾条件下，去雾后的图像在结构相似性指数(SSIM)和峰值信噪比(PSNR)上均取得了显著提升，SSIM值普遍高于0.94，PSNR值超过30 dB，表明去雾后的图像在结构信息和像素保真度上均与地面真值高度一致。在重度雾霾条件下，虽然恢复难度增加，但该方法依然表现出色，特别是在近红外和短波红外波段，SSIM值仍能保持在0.95以上，证明了该方法在不同雾霾浓度下的鲁棒性。

3. 与现有方法的对比分析

为了凸显所提方法的优越性，研究团队将其与多种现有的先进去雾方法进行了对比，包括CPNU、DVHR、HALP、OID、RTDCP、SDTE、ADCF以及基于视觉变换器(VT)的方法。对比分析从定性和定量两个维度展开。在定性方面，所提方法在去除雾霾的同时，有效避免了现有方法中常见的亮度不足、色彩失真、细节丢失以及过度平滑等问题，恢复出的图像具有更自然的色彩和更清晰的细节。在定量方面，所提方法在SSIM和PSNR两个关键指标上均取得了最优或接近最优的性能。在轻度雾霾条件下，所提方法的平均SSIM约为0.80，平均PSNR约为22 dB，均显著高于其他对比方法。在重度雾霾条件下，所提方法同样保持了领先优势，其SSIM值（约0.79）和PSNR值（约20 dB）均高于其他方法。此外，在针对真实雾霾影像的无参考评估中，所提方法在FADE和NIQE指标上也表现出了良好的平衡性，证明了其在真实场景下的有效性。

4. 消融实验

为了验证所提透射图中各个组成部分的贡献，研究团队进行了一项消融实验。该实验比较了三种不同的透射图：仅基于局部亮度(t_?)、仅基于局部强度最大最小差(t_ρ)以及同时结合两者的所提方法(t_?+ρ)。实验结果表明，同时利用局部亮度和局部对比度信息的所提方法(t_?+ρ)在SSIM和PSNR指标上均取得了最高的分数。例如，在轻度雾霾条件下，t_?+ρ的SSIM达到了0.8663，而t_?和t_ρ分别为0.7663和0.7890。这一结果充分证明了局部亮度和局部对比度这两个空间特征在透射图估计中具有互补作用，它们的结合能够更准确地刻画雾霾的分布，从而获得更优的去雾效果。

结论与讨论

本研究成功提出了一种基于空间特征驱动透射图估计的Sentinel-2多光谱影像去雾方法。该方法通过综合利用图像的空间统计特征（局部亮度和局部对比度），构建了一种新颖且物理意义明确的透射图，有效克服了现有方法在处理多光谱影像时存在的亮度不足、色彩失真和细节丢失等问题。同时，研究构建的S2CH-MSI数据集为多光谱影像去雾算法的评估提供了宝贵的资源。

该研究的重要意义在于，它提供了一种不依赖大量训练数据、计算效率较高且物理可解释性强的多光谱影像去雾解决方案。该方法能够显著提升Sentinel-2影像在雾霾天气下的可用性，为遥感影像分析、环境监测和土地覆盖制图等应用提供了更高质量的数据基础。未来，该方法有望进一步拓展至其他多光谱或高光谱遥感数据，并探索在无人机等边缘计算平台上的实时应用。