基于深度学习的序列交通图像去雾方法

发布时间：2021-12-12 05:14

　　受大气散射影响,序列交通图像的细节特征损失较大,图像像素较低,为此提出基于深度学习的序列交通图像去雾方法。根据雾化图像表达式和相同大气密度下光线载体传输图定义式,构建大气散射模型,运用该模型获取图像特征序列。利用深度学习自编码网络中的网络层,建立输出定义式与特征损失函数式,在样本中引入图像特征序列,得到特征块序列,依据雾特征图和散射率的非线性映射关系获取散射率图。采用修正函数调整卷积层输出像素值为正,将局部块代入自编码网络,并添加特征块序列至卷积神经网络的输入层,对输出的散射率图进行导向滤波处理,实现序列图像雾特征的去除。仿真结果表明,去雾后图像的细节特征更加突出,大幅度提升了图像的对比度。 

【文章来源】：计算机仿真. 2020,37(10)北大核心

【文章页数】：5 页

【部分图文】：

雾化图像生成示意图

图像散射率估算的关键环节主要包括部分极大饱和度、颜色衰减、暗通道[6]等雾特征的提取,由于人工特征提取法存在费时费力的弊端,因此,基于大气散射模型在无监督学习的模式下,运用自编码网络提取雾特征。自编码网络主要用来解决图像的噪声抑制问题,有利于目标区域内主要细节特征的提取,下图为自编码网络框架图。上图显示,自编码网络的组成部分共有四层:输入层与输出层各有一个,隐含层则含有两个。设定r×r、k1×k1、k2×k2、r′×r′分别为对应层的神经元个数,且从原则上应满足k1<r、k2<r′。

将随机森林利用卷积神经网络模型进行替换,在监督学习的模式下,获取特征图和散射率图的映射关系。依据得到的特征图序列与模型参数,取得场景散射率图。下图所示为创建的卷积神经网络框架。图中显示,该网络共由七层构成:第一层为输入层;第二层通过多尺度的平行卷积处理,完成多尺度的图像特征提取;从第三层开始进入到过渡层,串行四个单尺度的卷积处理,并在卷积后应用ReLU函数实施调整;第七层则通过全连接,对单通道图进行输出,输出的图像尺寸与初始图像完全相同。

【参考文献】：
期刊论文
[1]基于金字塔池化网络的道路场景深度估计方法[J]. 周武杰,潘婷,顾鹏笠,翟治年.  电子与信息学报. 2019(10)
[2]端到端深度图像分割网络中抑制无效率学习的目标损失函数设计[J]. 叶靖雯,吴晓峰.  微电子学与计算机. 2019(09)
[3]基于暗通道和多正则化约束的图像去雾方法[J]. 舒巧玲,吴传生,刘文.  计算机工程与设计. 2019(07)
[4]图像分类卷积神经网络的反馈损失计算方法改进[J]. 周非,李阳,范馨月.  小型微型计算机系统. 2019(07)
[5]基于光学厚度代理模型的雾浓度估计及图像去雾[J]. 李春明,姜雨彤,宋海平,纪超,郭猛,朱琳.  兵工学报. 2019(07)
[6]基于强度反转和变分Retinex模型的图像去雾方法[J]. 顾振飞,张登银,袁小燕,张照锋,孔令民,单祝鹏.  电子器件. 2019(03)
[7]基于滚动导向滤波和混合多尺度分解的红外与可见光图像融合方法[J]. 赵程,黄永东.  激光与光电子学进展. 2019(14)
[8]基于暗通道图像质心偏移量的去雾算法[J]. 苏畅,毕国玲,金龙旭,聂婷,梁怀丹.  光学学报. 2019(05)
[9]室外视频监控中雾尘图像自动增强方法仿真[J]. 程欣宇.  计算机仿真. 2018(10)
[10]基于视觉颜色感知—光学相似的图像去雾方法[J]. 赵雪青,师昕.  计算机应用研究. 2019(09)



本文编号：3536069