基于深度学习的图像去雾算法及图像去雾质量评价
发布时间：2022-01-11 22:46
雾霾是一种常见的天气现象。空气中的雾霾会导致摄像机拍摄得到的图片的清晰度和能见度降低,从而导致其应用价值大幅度的降低。因此,图像去雾任务有着重要的现实意义。本文首先分析了目前图像去雾算法的优缺点,然后在此基础上提出了两个不同的基于深度学习的图像去雾算法和一种像素级的图像去雾效果评价算法。本文的主要研究内容和成果如下:第一,为了将有雾图像恢复成为清晰的无雾图像,本文提出了一种需要数据对进行训练的端到端的深度学习框架去执行图像去雾任务。我们提出的深度学习网络框架不需要估计有雾图像的透射率和大气光值,而是直接估计有雾图像和对应的无雾图像之间的差,之后用初始的有雾图像加上我们提出的网络输出的差,得到清晰的无雾图像。第二,结合了传统的图像去雾算法,本文提出了一种新的激活函数去用来加快本文提出的基于深度学习的图像去雾网络的收敛速度。该激活函数被命名为反参数整流线性单元（RPRe LU）。该激活函数不仅能加快网络的训练速度,并且能提升网络的性能。第三,为了解决传统的基于深度学习的图像去雾算法需要数据对才能进行训练的缺陷。本文提出了一种不需要数据对来进行训练的基于生成式对抗网络的图像去雾模型。该模型不...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
雾霾天气对目标检测算法的影响
哈尔滨理工大学工学硕士学位论文-2-近几年来，图像去雾算法受到的关注较多，许多学者都提出了有效的图像去雾方法，并都取得了一定的成果。因此，需要一个客观公正的去雾质量评价算法来评价图像去雾的效果。由于在图像去雾任务中，我们无法获得真实的无雾图像作为参考，因此图像去雾任务是一个典型的不适定问题。很多学者利用大气散射模型在无雾图像上进行模拟雾天图像，然后利用原始的无雾图像作为图像去雾效果的基准来评价图像去雾算法的好坏。但是，这种评价方案有两个缺陷。第一，由于真实的有雾图像与人工模拟的有雾图像的区别较大，因此在合成数据集上效果好的算法在真实数据集上的性能可能很差。第二，当图像去雾算法对真实的有雾图像执行图像去雾时，由于无法获得参考信息，因此这种全参考的图像质量评价无法工作。因此，如何在不使用原始的清晰图像作为参考信息的前提下客观公正的评价图像去雾算法的效果是一个困难且重要的问题。图1-2雾霾天气下的户外图像Fig.1-2Hazyoutdoorsceneimages1.2本课题国内外研究现状我们的研究大致可以分为两个内容：第一部分是对图像去雾算法的研究，第二部分是对图像去雾质量评价算法的研究。1.2.1国内研究现状与应用目前国内有许多学者都对图像去雾算法进行了研究。其中最具有代表性的是何凯明博士于2009年提出暗通道先验算法[3]。暗通道先验算法指出，在一幅RGB图像中，取每一个像素的三通道的灰度值中的最小的那个值得到一幅灰度图，之后对这幅灰度图进行最小值滤波，得到的图像为原RGB图像对应的暗通道图像。何凯明等人发现，清晰无雾的图像的暗通道的值非常低，几乎
哈尔滨理工大学工学硕士学位论文-6-图2-1大气散射模型示意图Fig.2-1Diagrammaticdrawingofatmospherescatteringmodel2.2深度学习基础人工智能在很多领域中也都有应用，比如三维重构、情感分析、人脸识别等等。人工智能最重要的分支是深度学习。近几年来，深度学习在很多领域都取得了突破，其原因主要有两个：第一是在因为在互联网时代的背景下，获取数据也变得更加方便了；第二是因为计算机的硬件水平在不断的提升。至少基于以上两点原因，深度学习技术才能在近几年来发展的十分迅速。大量的论文和应用都证明了，深度学习技术可以在很多领域内进行应用，比如计算机视觉、自然语言处理、机器人技术、量化投资、网络和广告金融等等。2.2.1卷积神经网络前向传播结构是深度学习中最基本的结构。图2-2是前向神经网络，由多个单一“神经元”相互连接，按层搭建成的网络。网络共有3部分：输入层（Layer1)、隐藏层（Layer2)、输出层（Layer3)。其中Layer1与Layer3均为可视层；Layer2为隐藏层。Layer3只有一个节点，用来输出结果。以图2-2中的前向神经网络结构为例，该图可输入3个变量，隐藏节点是3个输出节点是1个，每一层都有各自的权值W和偏移量b。前向神经网络的学习方式是一种有监督的学习方式，即需要提供数据的标签才能进行训练。卷积神经网络（ConvolutionalNeuralNetwork,CNN）也属于前向神经网络的一种。卷积神经网络的作者是受到了动物视觉神经工作过程的启发而
【参考文献】：
期刊论文
[1]分割暗通道先验邻域的单幅图像去雾算法[J]. 黄黎红. 地球信息科学学报. 2018(02)
[2]基于暗原色先验与Retinex理论的去雾算法[J]. 舒婷,邓波,陈炳权,刘耀峰. 吉首大学学报(自然科学版). 2014(02)
硕士论文
[1]基于HVS特性的图像质量客观评价[D]. 龚洪涛.南京理工大学 2011
本文编号：3583585
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
雾霾天气对目标检测算法的影响
哈尔滨理工大学工学硕士学位论文-2-近几年来，图像去雾算法受到的关注较多，许多学者都提出了有效的图像去雾方法，并都取得了一定的成果。因此，需要一个客观公正的去雾质量评价算法来评价图像去雾的效果。由于在图像去雾任务中，我们无法获得真实的无雾图像作为参考，因此图像去雾任务是一个典型的不适定问题。很多学者利用大气散射模型在无雾图像上进行模拟雾天图像，然后利用原始的无雾图像作为图像去雾效果的基准来评价图像去雾算法的好坏。但是，这种评价方案有两个缺陷。第一，由于真实的有雾图像与人工模拟的有雾图像的区别较大，因此在合成数据集上效果好的算法在真实数据集上的性能可能很差。第二，当图像去雾算法对真实的有雾图像执行图像去雾时，由于无法获得参考信息，因此这种全参考的图像质量评价无法工作。因此，如何在不使用原始的清晰图像作为参考信息的前提下客观公正的评价图像去雾算法的效果是一个困难且重要的问题。图1-2雾霾天气下的户外图像Fig.1-2Hazyoutdoorsceneimages1.2本课题国内外研究现状我们的研究大致可以分为两个内容：第一部分是对图像去雾算法的研究，第二部分是对图像去雾质量评价算法的研究。1.2.1国内研究现状与应用目前国内有许多学者都对图像去雾算法进行了研究。其中最具有代表性的是何凯明博士于2009年提出暗通道先验算法[3]。暗通道先验算法指出，在一幅RGB图像中，取每一个像素的三通道的灰度值中的最小的那个值得到一幅灰度图，之后对这幅灰度图进行最小值滤波，得到的图像为原RGB图像对应的暗通道图像。何凯明等人发现，清晰无雾的图像的暗通道的值非常低，几乎
哈尔滨理工大学工学硕士学位论文-6-图2-1大气散射模型示意图Fig.2-1Diagrammaticdrawingofatmospherescatteringmodel2.2深度学习基础人工智能在很多领域中也都有应用，比如三维重构、情感分析、人脸识别等等。人工智能最重要的分支是深度学习。近几年来，深度学习在很多领域都取得了突破，其原因主要有两个：第一是在因为在互联网时代的背景下，获取数据也变得更加方便了；第二是因为计算机的硬件水平在不断的提升。至少基于以上两点原因，深度学习技术才能在近几年来发展的十分迅速。大量的论文和应用都证明了，深度学习技术可以在很多领域内进行应用，比如计算机视觉、自然语言处理、机器人技术、量化投资、网络和广告金融等等。2.2.1卷积神经网络前向传播结构是深度学习中最基本的结构。图2-2是前向神经网络，由多个单一“神经元”相互连接，按层搭建成的网络。网络共有3部分：输入层（Layer1)、隐藏层（Layer2)、输出层（Layer3)。其中Layer1与Layer3均为可视层；Layer2为隐藏层。Layer3只有一个节点，用来输出结果。以图2-2中的前向神经网络结构为例，该图可输入3个变量，隐藏节点是3个输出节点是1个，每一层都有各自的权值W和偏移量b。前向神经网络的学习方式是一种有监督的学习方式，即需要提供数据的标签才能进行训练。卷积神经网络（ConvolutionalNeuralNetwork,CNN）也属于前向神经网络的一种。卷积神经网络的作者是受到了动物视觉神经工作过程的启发而
【参考文献】：
期刊论文
[1]分割暗通道先验邻域的单幅图像去雾算法[J]. 黄黎红. 地球信息科学学报. 2018(02)
[2]基于暗原色先验与Retinex理论的去雾算法[J]. 舒婷,邓波,陈炳权,刘耀峰. 吉首大学学报(自然科学版). 2014(02)
硕士论文
[1]基于HVS特性的图像质量客观评价[D]. 龚洪涛.南京理工大学 2011
本文编号：3583585
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3583585.html
最近更新
教材专著
