低质图像的清晰化方法研究

发布时间：2021-04-03 00:12

　　户外拍摄的图像受天气（雾、雨雪、阴天）、运动、光照不足等不利因素影响会产生严重的退化,这不仅影响图像的视觉效果,而且会造成图像重要细节丢失,使其使用价值降低。因此,提高这些受不利因素影响的低质图像的清晰度具有重要意义。本文仅对因雾天和运动模糊造成的低质图像进行清晰化的方法研究。其主要工作如下:（1）图像去雾,对雾天条件下获取的图像进行清晰化处理。首先分析和比较了暗通道先验算法、非局部图像去雾算法等几种经典的图像去雾算法,并在此基础上,提出了一种基于条件生成式对抗网络的图像去雾算法。新算法在网络结构、损失函数上进行了尝试和改进。首先,新算法使用Dense Net代替传统的U-net作为生成器的网络结构,使用Patch-GAN作为判别器的网络结构。其次,利用预训练视觉几何组（VGG）模型和全变分正则化梯度对损失函数进行修正。新算法是一种端对端的去雾算法,无需估计透射图和相关雾霾特征就可得到去雾后图像,能够适用于多种场景。新算法能有效降低传统方法去雾后产生的光晕现象和去雾不彻底的问题,且能更好地保留原图像的细节。实验结果显示,改进使其结构相似性指标从76.9%提高到93.4%。（2）图像去运... 

【文章来源】：辽宁科技大学辽宁省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

大气光成像过程

21min(,)=~()()+~()((()))（3.4）综合生成器和判别器的目标，其生成器的对抗过程描述为下式：(,)=~()()+~()((()))（3.5）其结构图如图3.1所示，其中为随机噪声，生成器根据随机数生成假的图像，并用生成的假图像去欺骗判别器；判别器本质是一个二分类神经网络，负责辨别是真图还是假图，并会给出一个分数。图3.1生成式对抗网络结构图Fig.3.1ThestructureofGAN3.1.2条件GAN介绍条件生成对抗网络是在原始GAN的基础上施加了条件y，用以生成具备某特定要求的图像。它是由MehdiMirza等人于2014年提出的生成对抗网络的改进模型[37]。其对抗过程定义如下：(,)=~()(|)+~()(((|)))（3.6）其中，()为真实数据分布，()为生成数据分布。在生成器中，先验输入的噪声和条件在隐藏层中相结合，可以输出一个带有条件的生成数据(|)，在判别器中将真实数据和结合起来一起作为判别器函数的真实数据输入。GAN中生成器和判别器的训练是交替进行的，在训练时可以先固定生成器0，求解最优的判别器0，然后固定0开始训练0，训练的过程可以使用梯度下降法，以此循环往复，训练1，1，2，2...。3.1.3编码-解码结构在卷积神经网络中，卷积层数越少，提取的特征越简单；反之，层数越多，卷积层提取的特征会变得越来越复杂，但对于图像的生成或复原，复杂的特征更

过渡层和密集块的内部结构


本文编号：3116224