基于深度学习的雾霾图像去雾算法研究
发布时间：2023-01-25 19:25
随着经济的发展和科技的进步,国内外越来越多城市推出了智慧城市应用系统。智慧城市有很多应用场景依赖于图像处理,例如交通违章车牌识别、视频安全监控、自动驾驶、遥感测绘。伴随着工业化发展随之而来的空气污染导致雾霾现象越来越严重,大气的能见度下降导致户外拍摄的图像质量变差,如清晰度降低、画面模糊、颜色偏移失真、景物难以辨别等,继而影响依赖于图像质量的计算机视觉处理,特别是在遥感测绘与地理勘察领域,雾霾给无人机航拍系统带来严重影响,干扰无人机光感成像系统从而使航拍图像严重降质,因此开展雾霾图像的去雾算法研究具有重要的理论研究意义与实际应用价值。基于图像增强的图像去雾算法和基于物理模型利用先验假设的图像去雾算法,存在亮度低、伪影、光晕和失真等现象,且需要特定场景图像。基于深度学习的图像去雾算法利用卷积神经网络模型实现有雾图像与去雾图像之间的映射,不需要人为干涉,为开拓图像去雾技术提供了积极思路。论文主要工作如下:（1）论文首先介绍了雾霾图像去雾的研究背景,概述了国内外雾霾图像去雾的研究现状,分析了常见的图像去雾算法,讨论了相关去雾算法的特点。基于MATLAB平台对常规雾霾图像去雾技术进行了算法仿真...
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 图像去雾国内外研究现状
1.2.1 基于图像增强的去雾算法
1.2.2 基于图像还原的去雾算法
1.2.3 基于深度学习的去雾算法
1.3 研究内容和论文结构安排
第二章 雾覆图像分析基础
2.1 雾霾的形成机理
2.2 大气散射理论模型
2.2.1 大气散射理论
2.2.2 入射光衰减模型
2.2.3 大气光成像模型
2.2.4 含雾图像成像模型
2.3 生成对抗网络模型
2.3.1 卷积神经网络简介
2.3.2 生成对抗网络模型
2.4 去雾性能评价标准
2.5 本章小结
第三章 经典图像去雾算法对比分析
3.1 暗原色先验去雾算法
3.1.1 暗原色先验原理
3.1.2 透射率值估计
3.1.3 大气光估值
3.1.4 图像的去雾
3.2 非局部图像去雾算法
3.2.1 非局部图像去雾原理
3.2.2 雾线的计算
3.2.3 透射率估计
3.2.4 图像的去雾
3.3 基于Retinex的图像去雾算法
3.3.1 Retinex理论模型
3.3.2 单尺度Retinex图像去雾算法
3.3.3 多尺度Retinex图像去雾算法
3.4 经典图像去雾算法的仿真分析
3.4.1 图像去雾算法仿真参数
3.4.2 图像去雾算法仿真分析
3.5 本章小结
第四章 基于深度学习的图像去雾算法
4.1 去雾网络结构设计
4.1.1 去雾网络结构
4.1.2 判别模型
4.2 损失函数改进
4.3 模型训练过程
4.3.1 训练的数据集
4.3.2 训练过程
4.4 仿真与结果分析
4.5 本章小结
第五章 图像去雾应用系统设计
5.1 图像去雾应用系统功能介绍
5.2 图像去雾应用系统模块设计
5.3 图像去雾应用系统测试
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来展望
参考文献
攻读硕士期间发表的论文
致谢
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]一次大雾天气形成机理分析[J]. 刘爽,赵源,王昆鹏. 黑龙江科技信息. 2016(31)
[3]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展. 2014(01)
[4]改进的单尺度Retinex雾天图像增强算法[J]. 张赛楠,吴亚东,张红英,王松. 激光与红外. 2013(06)
[5]基于色彩恒常理论的图像去雾技术[J]. 芮义斌,李鹏,孙锦涛. 南京理工大学学报(自然科学版). 2006(05)
硕士论文
[1]基于卷积神经网络的单幅图像去雾算法的研究与应用[D]. 左庆.重庆师范大学 2019
[2]雾天图像去雾算法的改进与仿真[D]. 张冰冰.哈尔滨理工大学 2019
[3]基于生成对抗网络的图像去雾研究[D]. 王海.湘潭大学 2018
[4]基于生成对抗学习的图像去雾[D]. 韩健稳.西安电子科技大学 2018
[5]基于卷积神经网络的图像去雾研究[D]. 吴伟.华中科技大学 2018
[6]基于直方图均衡化和Retinex的图像去雾算法研究[D]. 汪秦峰.西北大学 2016
[7]基于偏微分方程图像降噪算法的研究与分析[D]. 董婵婵.中北大学 2016
本文编号：3731701
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 图像去雾国内外研究现状
1.2.1 基于图像增强的去雾算法
1.2.2 基于图像还原的去雾算法
1.2.3 基于深度学习的去雾算法
1.3 研究内容和论文结构安排
第二章 雾覆图像分析基础
2.1 雾霾的形成机理
2.2 大气散射理论模型
2.2.1 大气散射理论
2.2.2 入射光衰减模型
2.2.3 大气光成像模型
2.2.4 含雾图像成像模型
2.3 生成对抗网络模型
2.3.1 卷积神经网络简介
2.3.2 生成对抗网络模型
2.4 去雾性能评价标准
2.5 本章小结
第三章 经典图像去雾算法对比分析
3.1 暗原色先验去雾算法
3.1.1 暗原色先验原理
3.1.2 透射率值估计
3.1.3 大气光估值
3.1.4 图像的去雾
3.2 非局部图像去雾算法
3.2.1 非局部图像去雾原理
3.2.2 雾线的计算
3.2.3 透射率估计
3.2.4 图像的去雾
3.3 基于Retinex的图像去雾算法
3.3.1 Retinex理论模型
3.3.2 单尺度Retinex图像去雾算法
3.3.3 多尺度Retinex图像去雾算法
3.4 经典图像去雾算法的仿真分析
3.4.1 图像去雾算法仿真参数
3.4.2 图像去雾算法仿真分析
3.5 本章小结
第四章 基于深度学习的图像去雾算法
4.1 去雾网络结构设计
4.1.1 去雾网络结构
4.1.2 判别模型
4.2 损失函数改进
4.3 模型训练过程
4.3.1 训练的数据集
4.3.2 训练过程
4.4 仿真与结果分析
4.5 本章小结
第五章 图像去雾应用系统设计
5.1 图像去雾应用系统功能介绍
5.2 图像去雾应用系统模块设计
5.3 图像去雾应用系统测试
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来展望
参考文献
攻读硕士期间发表的论文
致谢
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]一次大雾天气形成机理分析[J]. 刘爽,赵源,王昆鹏. 黑龙江科技信息. 2016(31)
[3]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展. 2014(01)
[4]改进的单尺度Retinex雾天图像增强算法[J]. 张赛楠,吴亚东,张红英,王松. 激光与红外. 2013(06)
[5]基于色彩恒常理论的图像去雾技术[J]. 芮义斌,李鹏,孙锦涛. 南京理工大学学报(自然科学版). 2006(05)
硕士论文
[1]基于卷积神经网络的单幅图像去雾算法的研究与应用[D]. 左庆.重庆师范大学 2019
[2]雾天图像去雾算法的改进与仿真[D]. 张冰冰.哈尔滨理工大学 2019
[3]基于生成对抗网络的图像去雾研究[D]. 王海.湘潭大学 2018
[4]基于生成对抗学习的图像去雾[D]. 韩健稳.西安电子科技大学 2018
[5]基于卷积神经网络的图像去雾研究[D]. 吴伟.华中科技大学 2018
[6]基于直方图均衡化和Retinex的图像去雾算法研究[D]. 汪秦峰.西北大学 2016
[7]基于偏微分方程图像降噪算法的研究与分析[D]. 董婵婵.中北大学 2016
本文编号：3731701
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3731701.html
