基于深度学习的去雾算法设计

发布时间：2021-02-21 05:52

　　随着人工智能技术和数据科学的快速发展,近年来越来越多的基于计算机视觉的任务如交通监控、天网安防、目标检测等都对输入图像的清晰度有着更高的要求。然而受大气中悬浮颗粒、汽水等影响,摄像头采集到的的图像通常会因为雾霾变得模糊、能见度下降或者改变颜色,低质量的图片严重地降低了各种智能信息处理系统的性能。因此,对雾霾图像进行去雾处理在计算机视觉领域具有非常重要的意义。但是图像去雾是计算机视觉中的不确定问题,现有的基于先验知识的的去雾算法性能强烈的依赖于图像先验的准确性,而目前基于深度学习的去雾算法性能也不够稳定。本文根据雾霾成像模型,对单幅图像的去雾算法进行研究,针对目前不同类别的去雾算法存在的局限性,提出了一种新的端到端单幅图像去雾算法,该算法可以同时学习透射图,大气光值和去雾。本文提出了一个两阶段的网络:一个基于雾霾成像模型的联合去雾网络,另一个是基于条件生成对抗网络的精修网络。通过将雾霾成像模型直接嵌入到网络中来实现第一阶段的学习,从而确保所提出的方法严格遵循物理的散射模型进行除雾。对于第二阶段,本文提出了一个条件生成对抗网络（cGAN,Conditional Generative Adv... 

【文章来源】：青岛大学山东省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

雾霾成像模型的变量，从左到右分别为雾霾图像、场景辐射图像、透射图像

青岛大学硕士学位论文8t是雾霾图像I的透明或透射图像，t(x)是[0,1]中的标量。直观地说，当t(x)=0时，表示图像完全模糊或者不透明。当t(x)=1时，表示图像没有雾霾或者完全清晰。当0<t(x)<1时，表示图像是半透明的见图2.1。A是大气光值，它是一个三维RGB向量量，通常假定为空间常数。A通常被认为是大气、地平线或天空的颜色。图2.1雾霾成像模型的变量，从左到右分别为雾霾图像、场景辐射图像、透射图像雾霾成像模型的物理视图如图2.2所示，雾霾是由大气中的粒子吸收和散射光形成的。在式2-(1)中J(x)t(x)的专业术语被称为直接衰减。来自物体反射的光一部分被大气中的粒子吸收并发生衰减。透射率t是不衰减并到达观察者的光占物体上反射的光的比值。A(1t(x))被称为空气光。大气中的粒子散射它们所吸收的光，漂浮在大气中形成了大量的微小光源，空气光就是由这些微小光源造成的。注意到，模型中直接衰减是乘性影响，而空气光则是加性的。图2.2雾霾成像模型宏观物理图像烟、雾等大气现象都是由于大气中的粒子，如灰尘、沙子、水滴或冰晶而形成的。在气象学中，所有这些现象形成的不同主要在于其中的颗粒材料、尺寸、形状

青岛大学硕士学位论文10其中假设t是均匀的，所以忽略t的梯度。由于t在[0,1]范围内，I会比J校从而导致可见度降低，物体更加困难地被识别。而能见度的降低是由于直接衰减部分J(x)t(x)造成的，或者说是由于乘性影响t。第二个退化是由于空气光引起的色度位移。色度描述的是色彩而不是亮度，其表示的是RGB颜色空间中颜色向量的方向。由雾霾成像方程2-(1)可知向量I(x)是两个向量J(x)和A的线性组合如图2.3所示。由于A的增加导致向量I(x)和J(x)不在同一方向：即图像的色度被移动。通常大气是白色或灰色的，所以一个雾霾的图像显得趋于灰色且不那么生动。图2.3颜色向量I是RGB空间中J和A的线性组合总之，乘法衰减降低了图像能见度，加性空气光改变了图像色度，雾霾给许多计算机视觉的应用都带来了麻烦。能见度的降低影响了物体的探测和识别，降低了室外监控系统的可靠性，使卫星图像变得模糊。在普通摄影中，雾霾改变了图像的颜色，减少了照片的对比度。即使是更高级别的摄像机或更好的镜头也无法避免这种图像的退化，因为其发生在到达图像采集设备之前的大气中。因此，在计算机视觉领域中图像去除雾霾是必须的。2.2.3不确定性问题上文已经对雾霾成像模型进行了描述，去除雾霾的目标为：给定输入的雾霾图像I，恢复场景辐射图像J。通常还需要恢复t和A。接下来本文作出解释为什么这个问题在数学上是不确定的。假设将图像中的像素数表示为N，如果输入I是RGB彩色图像，有3N个方程：


本文编号：3043933