基于深度学习的图像增强技术研究
发布时间：2020-12-25 23:25
目前,越来越多的计算机视觉系统被广泛应用于各个行业,这些计算机视觉系统大都以输入清晰图像为前提进行工作,但是在实际场景中,特别是在室外环境下,由于雾、霾等天气原因,我们无法保证获取到清晰可用的图像数据,因此图像增强技术越来越受到研究人员关注。同时,随着我们科技水平的提高,对海洋的开发越来越引起各国重视,应用水下机器人进行水下探测被认为是一项重要任务,这其中计算机视觉的应用是完成这项任务的关键一环。但是光的吸收和散射现象同样存在于水下环境中,比起有雾图像,水下图像会遭受更严重的失真问题,比如对比度降低、蓝绿色过多等。针对有雾等室外环境对图像清晰度的影响,去雾图像增强技术被认为是解决这一问题的有效方法。去雾图像增强技术通常基于一个物理模型,以估计由于大气中的吸收和散射现象而导致光的损失程度。本文提出一种基于区域检测的神经网络模型,以分区块的方式学习有雾图像与媒介透射率之间的关系,然后使用媒介透射率图基于大气散射模型完成去雾操作,并增强去雾后图像的细节。模型主要由两个基础网络单元构成,并且可以以端到端的方式进行训练。一个网络单元是具有残差结构的网络模块,该单元可以减小深度网络的优化难度;另一...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１．１不同图像增强方法在同一场景下的效果??Ｆｉｇ．?１．１?Ｅｆｆｅｃｔｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｉｍａｇｅ?ｅｎｈａｎｃｅｍｅｎｔ?ｍｅｔｈｏｄｓ?ｉｎ?ｔｈｅ?ｓａｍｅ?ｓｃｅｎｅ??
天气下从同一场景拍摄的多张图像，而增强方??法—？将３Ｄ模型提供的粗略场景深度信息用于去雾增强任务，文献＿则利用以不同偏??振度拍摄的多张图像完成去雾增强工作。但此类去雾增强方法所需的补充信息并不总是??可获得的，这阻碍了这一领域的研宄进展，此类方法也无法被广泛运用在实际场景中。??＿圓??Ｉ?Ｊ??？５〇｜??Ｇｉ〇〇?＼ｒ＾——????■?ｆ?】??〇?ｂ〇?１００?＾?ＩＳＯ?２００?２５０?｜?＾?．??Ｉ?＝?Ｊ?－ｔ－＼－?Ａ（１?—?ｔ）?ｔ??图２．１大气散射模型??Ｆｉｇ．?２．１?Ａｔｍｏｓｐｈｅｒｉｃ?ｓｃａｔｔｅｒｉｎｇ?ｍｏｄｅｌ??近年来，由于更有效的假设和先验的提出，单图像去雾增强领域取得了显著进展。??Ｗａｎｇ等人［２３］假设有雾图像与无雾图像的最小像素值通道是线性相关的，在此假设基础??上，他们的方法表现优异。Ｔａｎ等人％通过假设有雾图像的局部对比度远低于相应的无??雾图像的局部对比度，提出一种基于马尔科夫随机场的方法，他们的结果在视觉表现上??令人满意，但是在一些局部区域会发生过饱和现象。Ｆａｔｔａｌ等人［２５］假设媒介透射率与图??像色彩表现是局部不相关的，因此通过场景反射率估计媒介透射率，该方法在某些情况??下能够修复有雾图像，但是该方法基于的假设在很多现实场景下无法成立。其它去雾增??强方法将更好的先验假设应用于去雾增强工作，Ｔａｎｇ等人［２６］使用随机森林算法融合了??四种与雾相关的特征，并通过估计媒介透射率得到无雾图像。在文献［２７］中，Ｚｈｕ等人基??于颜色衰减先验使用线性模型估计有雾图像的深度信息，使用深度信息恢复无雾图像。??但是由于假设的局限性
去雾图像增强技术??３．１图像去雾增强方法概述??为了提升去雾增强工作的效果与稳定性，以获傳细节完整，饱和度、对比度恢复的??无雾图像，同时提升该工作的效率，我们将卷积神经网络模型引入去雾增强工作。该模??型通过建立媒介透射率与有雾图像之间的关系，以估计有雾图像中逐个区域的媒介透射??率图。为了使恢复后的无雾图像在细节上保存完整，我们还加入了细节增强操作，为了??使该操作可以完成自主调参，我们将该方法与进化算法相结合，提出基于进化的细节增??强方法。??我们所提出的去雾增强方法如图３．１所示，其中绿色框部分为神经网络去雾模型，??使用神经网络模型估计输入有雾图像的媒介透射率，其中红色框部分为使用所估计的媒??介透射率图估计大气光，基于大气散射模型已知媒介透射率图与大气光可以直接得到去??雾增强后的图像。蓝色框部分为细节增强部分，对去雾增强后的图像进行细节增强操作。??该方法具体操作将在以下小节中详细说明。??：：?一?，—－?；?纽齡?赚耐?；??ｓｉ?：丨?ｉ?丨?：??达计大气光?１恢ｇ无言￥？?丨?！??成Ｄ＊?Ｓ子区細透射主Ｅ?Ｉ?车图?；?娜?［??图３．?１图像去雾增强系统概述??Ｆｉｇ．?３．１?Ｏｖｅｒｖｉｅｗ?ｏｆ?ｔｈｅ?ｐｒｏｐｏｓｅｄ?ｉｍａｇｅ?ｄｅｈａｚｉｎｇ?ｅｎｈａｎｃｅｍｅｎｔ?ｓｙｓｔｅｍｓ??３．２使用基于区域的神经网络估计媒介透射率??基于区域的去雾神经网络模型将有雾图像作为输入，并输出有雾图像的媒介透射率??图，其中每个点对应于输入图像中一个局部区域。在我们的设计中，该神经网络模型是??一个全卷积结构，如图３．２所示。??－１５?－??
【参考文献】：
期刊论文
[1]多尺度窗口的自适应透射率修复交通图像去雾方法[J]. 黄鹤,李昕芮,宋京,王会峰,茹锋,盛广峰. 中国光学. 2019(06)
[2]无人机航拍图像超分辨率重建算法研究[J]. 徐亮. 电子设计工程. 2019(10)
[3]透射率全局估计航空影像去雾算法[J]. 崔浩,艾海滨,张力,孙钰珊,赵栋梁. 遥感信息. 2019(01)
[4]基于深度学习的单幅图像去雾算法[J]. 赵建堂. 激光与光电子学进展. 2019(11)
[5]一种深度学习的单幅图像去雾方法[J]. 黄靖,姜文,肖长诗,文元桥,周高景,张帆. 小型微型计算机系统. 2018(08)
[6]一种结合暗通道先验和图像融合的水下图像复原算法[J]. 尹芳,陈田田,吴锐,付自如,于晓洋. 小型微型计算机系统. 2017(11)
[7]基于变分光流估计的肺部4D-CT图像超分辨率重建[J]. 耿凤欢,刘慧,郭强,尹义龙. 计算机研究与发展. 2017(08)
[8]基于颜色失真去除与暗通道先验的水下图像复原[J]. 杨爱萍,郑佳,王建,何宇清. 电子与信息学报. 2015(11)
[9]结合最小滤波和引导滤波的暗原色去雾[J]. 王卫星,肖翔,陈良琴. 光学精密工程. 2015(07)
[10]基于凸集投影法和复数小波包域的遥感图像上采样研究[J]. 张砚,李先颖,满益云. 计算机学报. 2011(03)
本文编号：2938581
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１．１不同图像增强方法在同一场景下的效果??Ｆｉｇ．?１．１?Ｅｆｆｅｃｔｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｉｍａｇｅ?ｅｎｈａｎｃｅｍｅｎｔ?ｍｅｔｈｏｄｓ?ｉｎ?ｔｈｅ?ｓａｍｅ?ｓｃｅｎｅ??
天气下从同一场景拍摄的多张图像，而增强方??法—？将３Ｄ模型提供的粗略场景深度信息用于去雾增强任务，文献＿则利用以不同偏??振度拍摄的多张图像完成去雾增强工作。但此类去雾增强方法所需的补充信息并不总是??可获得的，这阻碍了这一领域的研宄进展，此类方法也无法被广泛运用在实际场景中。??＿圓??Ｉ?Ｊ??？５〇｜??Ｇｉ〇〇?＼ｒ＾——????■?ｆ?】??〇?ｂ〇?１００?＾?ＩＳＯ?２００?２５０?｜?＾?．??Ｉ?＝?Ｊ?－ｔ－＼－?Ａ（１?—?ｔ）?ｔ??图２．１大气散射模型??Ｆｉｇ．?２．１?Ａｔｍｏｓｐｈｅｒｉｃ?ｓｃａｔｔｅｒｉｎｇ?ｍｏｄｅｌ??近年来，由于更有效的假设和先验的提出，单图像去雾增强领域取得了显著进展。??Ｗａｎｇ等人［２３］假设有雾图像与无雾图像的最小像素值通道是线性相关的，在此假设基础??上，他们的方法表现优异。Ｔａｎ等人％通过假设有雾图像的局部对比度远低于相应的无??雾图像的局部对比度，提出一种基于马尔科夫随机场的方法，他们的结果在视觉表现上??令人满意，但是在一些局部区域会发生过饱和现象。Ｆａｔｔａｌ等人［２５］假设媒介透射率与图??像色彩表现是局部不相关的，因此通过场景反射率估计媒介透射率，该方法在某些情况??下能够修复有雾图像，但是该方法基于的假设在很多现实场景下无法成立。其它去雾增??强方法将更好的先验假设应用于去雾增强工作，Ｔａｎｇ等人［２６］使用随机森林算法融合了??四种与雾相关的特征，并通过估计媒介透射率得到无雾图像。在文献［２７］中，Ｚｈｕ等人基??于颜色衰减先验使用线性模型估计有雾图像的深度信息，使用深度信息恢复无雾图像。??但是由于假设的局限性
去雾图像增强技术??３．１图像去雾增强方法概述??为了提升去雾增强工作的效果与稳定性，以获傳细节完整，饱和度、对比度恢复的??无雾图像，同时提升该工作的效率，我们将卷积神经网络模型引入去雾增强工作。该模??型通过建立媒介透射率与有雾图像之间的关系，以估计有雾图像中逐个区域的媒介透射??率图。为了使恢复后的无雾图像在细节上保存完整，我们还加入了细节增强操作，为了??使该操作可以完成自主调参，我们将该方法与进化算法相结合，提出基于进化的细节增??强方法。??我们所提出的去雾增强方法如图３．１所示，其中绿色框部分为神经网络去雾模型，??使用神经网络模型估计输入有雾图像的媒介透射率，其中红色框部分为使用所估计的媒??介透射率图估计大气光，基于大气散射模型已知媒介透射率图与大气光可以直接得到去??雾增强后的图像。蓝色框部分为细节增强部分，对去雾增强后的图像进行细节增强操作。??该方法具体操作将在以下小节中详细说明。??：：?一?，—－?；?纽齡?赚耐?；??ｓｉ?：丨?ｉ?丨?：??达计大气光?１恢ｇ无言￥？?丨?！??成Ｄ＊?Ｓ子区細透射主Ｅ?Ｉ?车图?；?娜?［??图３．?１图像去雾增强系统概述??Ｆｉｇ．?３．１?Ｏｖｅｒｖｉｅｗ?ｏｆ?ｔｈｅ?ｐｒｏｐｏｓｅｄ?ｉｍａｇｅ?ｄｅｈａｚｉｎｇ?ｅｎｈａｎｃｅｍｅｎｔ?ｓｙｓｔｅｍｓ??３．２使用基于区域的神经网络估计媒介透射率??基于区域的去雾神经网络模型将有雾图像作为输入，并输出有雾图像的媒介透射率??图，其中每个点对应于输入图像中一个局部区域。在我们的设计中，该神经网络模型是??一个全卷积结构，如图３．２所示。??－１５?－??
【参考文献】：
期刊论文
[1]多尺度窗口的自适应透射率修复交通图像去雾方法[J]. 黄鹤,李昕芮,宋京,王会峰,茹锋,盛广峰. 中国光学. 2019(06)
[2]无人机航拍图像超分辨率重建算法研究[J]. 徐亮. 电子设计工程. 2019(10)
[3]透射率全局估计航空影像去雾算法[J]. 崔浩,艾海滨,张力,孙钰珊,赵栋梁. 遥感信息. 2019(01)
[4]基于深度学习的单幅图像去雾算法[J]. 赵建堂. 激光与光电子学进展. 2019(11)
[5]一种深度学习的单幅图像去雾方法[J]. 黄靖,姜文,肖长诗,文元桥,周高景,张帆. 小型微型计算机系统. 2018(08)
[6]一种结合暗通道先验和图像融合的水下图像复原算法[J]. 尹芳,陈田田,吴锐,付自如,于晓洋. 小型微型计算机系统. 2017(11)
[7]基于变分光流估计的肺部4D-CT图像超分辨率重建[J]. 耿凤欢,刘慧,郭强,尹义龙. 计算机研究与发展. 2017(08)
[8]基于颜色失真去除与暗通道先验的水下图像复原[J]. 杨爱萍,郑佳,王建,何宇清. 电子与信息学报. 2015(11)
[9]结合最小滤波和引导滤波的暗原色去雾[J]. 王卫星,肖翔,陈良琴. 光学精密工程. 2015(07)
[10]基于凸集投影法和复数小波包域的遥感图像上采样研究[J]. 张砚,李先颖,满益云. 计算机学报. 2011(03)
本文编号：2938581
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2938581.html
