基于深度学习的单幅图像去雾算法研究

发布时间：2024-04-10 22:13

　　雾霾天气下拍摄的照片往往出现图像模糊、细节丢失等问题,这不仅降低了图片的清晰度,还严重影响后期对图像的深度处理。使用图像去雾算法能够减少甚至消除雾霾对图像的影响,从而恢复出更清晰、更准确、细节更丰富的无雾图像。本文基于深度学习对图像去雾算法进行深入研究,主要工作如下:(1)针对基于深度学习的去雾算法受到合成数据集的限制,导致去雾算法出现场景泛化能力差、深度细节丢失等问题,本文提出一种基于改进的特征融合Cycle GAN的去雾算法。首先,在生成器网络中引入改进的残差密集块代替卷积模块,有效地提取有雾图像中不同感受野下的特征信息;其次,针对实际场景中雾霾分布的复杂性,在网络的跳层连接中引入一种结合注意力机制的特征融合结构,将每个区域的浅层特征与深层特征进行拼接融合,提高生成图片的分辨率和细节信息;最后,为了提高生成无雾图像的质量,引入感知损失来增强提取特征的细节信息,使得生成的无雾图像更加真实。实验结果表明,所提去雾算法能够在真实场景中有较好的去雾效果。(2)针对基于卷积神经网络的图像去雾算法未能充分利用有雾图像的特征信息,导致去雾后的图像存在纹理模糊的问题,本文提出一种基于多尺度残差注意...

【文章页数】：73 页

【部分图文】：

图4.5本章网络的训练过程中的loss曲线结果图

图4.5本章网络的训练过程中的loss曲线结果图4.3在自然图像上去雾结果的比较了验证本章算法的有效性，这一节将在自然图像上与其他去雾算法做对自然图像上的去雾结果对比结果如图4.6。雾图ATMBCCRDCPGPRDehazeNet本章

图1-1论文结构关系图

华南理工大学硕士学位论文8图1-1论文结构关系图第一章：绪论。主要介绍了图像去雾的研究背景及研究意义，然后从基于图像增强、图像复原和机器学习三个层面讨论了图像去雾的研究发展与现状，最后总结了本文的研究内容和章节安排。第二章：图像去雾与卷积神经网络理论基矗首先介绍了有雾图像成像的大....

图2-1雾天环境物体成像过程

第二章图像去雾与卷积神经网络理论基础9第二章图像去雾与卷积神经网络理论基础图像去雾是图像处理和计算机视觉领域的一个重要研究方向，具有广泛的应用前景。本章首先介绍了有雾图像产生的原理，接着讲述卷积神经网络结构的常用模块，重点描述了最新的基于深度学习的单幅图像去雾算法，最后介绍常用的....

图2-2卷积层的操作示例

第二章图像去雾与卷积神经网络理论基础11训练所选取的样本数（batchsize）的大小，表示通道数，和分别表示卷积核的宽和高的大小，常见的卷积核的宽和高相等，大小一般为1×1、3×3、5×5以及7×7等。图2-2卷积层的操作示例图2-2的示例展示了卷积层的操作过程。假设待处理的输....

本文编号：3950440