基于深度神经网络的单幅图像去雨研究
发布时间:2024-05-20 04:46
在许多应用中,例如视频监控,无人驾驶汽车,室外体育赛事直播等等,雨天条件所导致的图像和视频不清晰的问题给图像修复带来了很大的挑战,很大程度上限制了计算机视觉算法的性能。因此,开发能够自动去除这些影响图像质量的算法是十分重要的。本文讨论了从单幅图像中去除雨水条纹的问题,之前人们提出了各种各样的方法,但是都有一些缺陷,现有的单一图像去除雨方法的主要局限之一是它们被设计用于处理某些类型或者某种雨天条件的雨天图像,并且它们没有有效地将各种形状,尺度和雨滴密度考虑到它们的算法中。为了解决这些问题,基于深度学习理论,研究并且提出了两种不同的单幅去雨方法,取得了较好的效果。本文主要的研究工作具体如下:首先,本文提出了基于条件生成式对抗网络生成了更符合真实条件的新的数据集,结合传统图像处理方法仿射变换合成雨密度,雨的方向和尺寸不一样的有雨图像数据集。通过这些人工合成数据集的方法,为去雨训练提供了丰富的样本,虽然训练网络的雨景图片是合成的,但能很好的训练去雨网络,而且能很好地应用到真实的雨天图像。其次,本文提出了一种去雨方法,该方法是基于HSI的空间变换,将雨图像从RGB映射到HSI空间,在基于密集连接...
【文章页数】:63 页
【学位级别】:硕士
【部分图文】:
本文编号:3978981
【文章页数】:63 页
【学位级别】:硕士
【部分图文】:
图4-2RGB与HSI模型示意图
图4-2RGB与HSI模型示意图Fig.4-2RGBandHSImodeldiagramGB空间转换到HSI空间包括几何推导算法、坐标为经典的几何推导算法具体为:RGB值:=,=,=....
图2-2带填充的卷积操作
第2章单幅图像去雨研究相关原理10基于深度学习的去雨方法若仅使用简单的卷积神经网络似乎只能获得雨图中的线形特征,因此去雨性能受到了严重的影响,此时激活函数的重要之处凸显出来,可以有效完成非线性雨相关特征的提取,增强网络的去雨性能和实际应用的泛化性能。图2-2带填充的卷积操作常用于....
本文编号:3978981
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3978981.html
最近更新
教材专著