基于CycleGAN的水面图像去雾方法的研究与实现
发布时间：2022-07-14 13:04
在大雾频发的水面场景下,光线由于水汽的影响而导致散射,使得采集的图像对比度、颜色等特征发生改变,形成雾天降质图像。水面雾天降质图像对于轮船航行、渔船捕捞、船体识别等应用场景具有限制作用,因此设计出合适的算法对水面图像进行去雾具有重要的科研意义和实用价值。但是现有的去雾方法都是基于陆地场景设计的,专门针对水面图像去雾问题的研究较少。同时,合理的去雾图像质量评估方法对去雾工作也有着重要的推动作用,而目前在图像去雾中所使用的质量评估方法并不能很好的评价图像质量。针对以上两点,本文的具体研究工作如下:首先针对现有去雾数据集的不足,提出了一个面向水面图像去雾任务的数据集Hazy Water Dataset。该数据集中包括了大规模真实的非对称训练数据和两个分别用于定性与定量评估的测试集,其中非对称训练数据是指图像内容不成对的有雾和无雾图像。通过对DCP等9种图像去雾算法进行实验对比,发现现有的基于陆地场景设计的去雾方法并不适用于水面场景。其次针对Hazy Water Dataset数据非对称的特点,提出了一个基于Cycle GAN的水面图像去雾算法W-Dehaze GAN。W-Dehaze GAN...
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源
1.2 研究目的和意义
1.3 国内外研究现状
1.3.1 雾天成像大气散射模型
1.3.2 基于手工特征的图像去雾算法
1.3.3 基于深度学习的图像去雾算法
1.3.4 去雾图像质量评估
1.4 本文的研究内容及组织结构
第2章 面向水面去雾任务的数据集构建
2.1 引言
2.2 Hazy Water数据集
2.2.1 训练集
2.2.2 测试集
2.3 对现有去雾方法的实验对比分析
2.3.1 评价标准
2.3.2 在真实测试集上的去雾结果对比
2.3.3 在合成测试集上的去雾结果对比
2.4 本章小结
第3章 基于Cycle GAN的水面图像去雾算法
3.1 引言
3.2 网络结构的设计与实现
3.2.1 模型整体架构
3.2.2 生成器
3.2.3 判别器
3.2.4 损失函数
3.2.5 图像去雾算法实现流程
3.3 实验结果
3.3.1 实验设置
3.3.2 在真实数据上的去雾结果对比
3.3.3 在合成数据上的去雾结果对比
3.3.4 运行时间对比
3.4 消融分析
3.4.1 对偏色现象的鲁棒性分析
3.4.2 缩放卷积有效性的验证实验
3.4.3 感知损失有效性的验证实验
3.4.4 局限性
3.5 本章小结
第4章 基于深度学习的去雾图像质量评估算法
4.1 引言
4.2 无参考去雾图像质量评估算法
4.2.1 基于自然图像统计量的亮度归一化
4.2.2 去雾图像质量评估网络设计
4.2.3 损失函数
4.2.4 图像质量评估算法实现流程
4.3 实验结果与分析
4.3.1 训练数据与实验设置
4.3.2 评价标准
4.3.3 实验结果
4.3.4 不同特征提取方法的对比实验
4.3.5 MSCN系数的有效性验证实验
4.4 本章小结
第5章 图像去雾与评估系统的设计与实现
5.1 系统需求分析
5.1.1 系统功能需求分析
5.1.2 系统性能需求分析
5.1.3 系统业务流程分析
5.2 系统设计与实现
5.2.1 系统总体设计与模块划分
5.2.2 图像去雾子系统设计与实现
5.2.3 图像质量评估子系统设计与实现
5.2.4 交互与数据可视化子系统设计与实现
5.2.5 开发环境
5.3 系统测试
5.3.1 测试目标与环境
5.3.2 图像去雾子系统测试
5.3.3 图像质量评估子系统测试
5.4 本章小结
结论
参考文献
攻读学位期间发表的学术论文及其它成果
致谢
本文编号：3661174
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源
1.2 研究目的和意义
1.3 国内外研究现状
1.3.1 雾天成像大气散射模型
1.3.2 基于手工特征的图像去雾算法
1.3.3 基于深度学习的图像去雾算法
1.3.4 去雾图像质量评估
1.4 本文的研究内容及组织结构
第2章 面向水面去雾任务的数据集构建
2.1 引言
2.2 Hazy Water数据集
2.2.1 训练集
2.2.2 测试集
2.3 对现有去雾方法的实验对比分析
2.3.1 评价标准
2.3.2 在真实测试集上的去雾结果对比
2.3.3 在合成测试集上的去雾结果对比
2.4 本章小结
第3章 基于Cycle GAN的水面图像去雾算法
3.1 引言
3.2 网络结构的设计与实现
3.2.1 模型整体架构
3.2.2 生成器
3.2.3 判别器
3.2.4 损失函数
3.2.5 图像去雾算法实现流程
3.3 实验结果
3.3.1 实验设置
3.3.2 在真实数据上的去雾结果对比
3.3.3 在合成数据上的去雾结果对比
3.3.4 运行时间对比
3.4 消融分析
3.4.1 对偏色现象的鲁棒性分析
3.4.2 缩放卷积有效性的验证实验
3.4.3 感知损失有效性的验证实验
3.4.4 局限性
3.5 本章小结
第4章 基于深度学习的去雾图像质量评估算法
4.1 引言
4.2 无参考去雾图像质量评估算法
4.2.1 基于自然图像统计量的亮度归一化
4.2.2 去雾图像质量评估网络设计
4.2.3 损失函数
4.2.4 图像质量评估算法实现流程
4.3 实验结果与分析
4.3.1 训练数据与实验设置
4.3.2 评价标准
4.3.3 实验结果
4.3.4 不同特征提取方法的对比实验
4.3.5 MSCN系数的有效性验证实验
4.4 本章小结
第5章 图像去雾与评估系统的设计与实现
5.1 系统需求分析
5.1.1 系统功能需求分析
5.1.2 系统性能需求分析
5.1.3 系统业务流程分析
5.2 系统设计与实现
5.2.1 系统总体设计与模块划分
5.2.2 图像去雾子系统设计与实现
5.2.3 图像质量评估子系统设计与实现
5.2.4 交互与数据可视化子系统设计与实现
5.2.5 开发环境
5.3 系统测试
5.3.1 测试目标与环境
5.3.2 图像去雾子系统测试
5.3.3 图像质量评估子系统测试
5.4 本章小结
结论
参考文献
攻读学位期间发表的学术论文及其它成果
致谢
本文编号：3661174
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3661174.html
最近更新
教材专著
