基于深度学习的单幅图像去雾研究与实现

发布时间：2022-02-18 07:15

　　在雾、霾天气下,空气中的细微颗粒物,及其在大气中的散射,致使各种成像设备获得的图像变得模糊,降低了图像的应用价值。因此,减小雾霾对成像的影响,提高图象质量便显得尤为重要。实现图像去雾最关键的便是要通过图像分析精确地估计出透射率。要想通过大量的带雾图像分析了解透射率的分布情况,目前最有效的方法便是利用深度学习网络进行建模分析。本文设计了三种针对单幅图像去雾的卷积神经网络结构。（1）基于ResNet的网络结构设计了可训练的端到端系统,用于估计介质传输。通过直接将输入信息绕道传到输出,在一定程度上解决了信息丢失,损耗等问题,保护信息的完整性,整个网络只需要学习输入、输出差别的那一部分,简化学习目标和难度。采用ResNet的全卷积网络结构,以两个3x3的卷积网络串接在一起作为一个残差模块,构建了网络的结构。（2）基于DenseNet的网络结构设计了两种可训练的端到端系统。第一个网络将DenseNet与全卷积网络相结合,利用密集块与多尺度思想,提取丰富的图像特征信息。第二种网络将DenseNet与去噪自编码器相结合,通过编码和译码实现特征提取和特征组合。以上系统均以雾霾图像为输入,输出其介质传输... 

【文章来源】：西安电子科技大学陕西省211工程院校教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

雾霾天气视觉图

第一章 绪论目前主流的去雾算法可分为两大类，一类是基于图像增强的去雾算法，一类是基物理模型的图像复原去雾算法。如图 1.2 所示，详细描述了现有的图像去雾各类算。

由于该算法复杂度较高，运算量巨大，Kim在此算法上又做了改进，提子块部分重叠局部直方图（Partially overlapped sub-block histogram, POSHE）算法（1）有雾图像及其灰度直方图分布

【参考文献】：
期刊论文
[1]一种深度学习的单幅图像去雾方法[J]. 黄靖,姜文,肖长诗,文元桥,周高景,张帆.  小型微型计算机系统. 2018(08)
[2]基于大气散射模型的单幅雾天图像复原方法[J]. 刘佳嘉,唐悟甲,刘建华.  中国测试. 2017(07)
[3]图像去雾的最新研究进展[J]. 吴迪,朱青松.  自动化学报. 2015(02)
[4]基于物理模型的快速单幅图像去雾方法[J]. 禹晶,李大鹏,廖庆敏.  自动化学报. 2011(02)
[5]图像去雾技术研究综述与展望[J]. 郭璠,蔡自兴,谢斌,唐琎.  计算机应用. 2010(09)
[6]一种图像去薄雾方法[J]. 芮义斌,李鹏,孙锦涛.  计算机应用. 2006(01)

硕士论文
[1]基于深度学习的图像去雾方法研究[D]. 贾绪仲.湖南工业大学 2018



本文编号：3630459