随着产业技术升级,智能安防监控、图像采集、目标识别与追踪等设备在粮库安全保障中得到大面积推广。安防视频监控系统能够对粮库主要的进出口储粮通道、库区、作业点、器械库、药品库等一些重要场所的工作情况进行实时监控,对于人员聚集、越界、区域入侵、作业人员违章等异常行为进行警告,不仅减少了现场检查,降低了粮库人工管理的成本,更有利于储粮工作过程中的管理和数据的收集。然而,粮库中粉尘和雾霾天气的出现,导致监控系统获取的粮库图像质量严重下降,细节信息模糊,限制了对图像进一步的识别、分析与利用。因此,本文基于机器学习的方法,针对如何提高雾尘环境下粮库图像质量,进行全面的研究,具体研究内容如下:1.针对粮库雾尘环境下采集到的图像背景中大多含有白色区域,然而现有去雾方法在处理该类图像时由于白色区域的存在会影响到大气光值估计的准确性,提出了基于四叉树分解的方法在天空区域内对大气光进行准确估计;同时,基于现有去雾方法容易受手工特征提取及假设条件的限制,本文提出改进的基于神经网络的方法。首先,利用多尺度卷积神经网络通过学习的方式获得粗略透射图透,然后使用图像融合方法对其进行细化;最后,将估计的参数带入大气散射模型从而反演出清晰图像。合成和真实世界的粮库雾尘图像的定量和定性实验结果表明,该算法对于图像纹理细节以及天空区域的处理上有较好效果,且鲁棒性高,普适性强。2.针对每种去雾算法在处理不同雾气浓度的降质图像时出现普适性差的问题,提出基于支持向量机的自适应雾天图像去雾方法。首先,结合雾霾天气下降质图像的特点,提取图像特征,通过支持向量机算法实现雾霾图像的二分类,即有雾和无雾;然后,遍历已定义去雾算法,对同一幅图像经过不同去雾算法得到的去雾结果进行图像质量评价,输出评价最高的去雾后图像;最后,对输出结果再次进行图像分类,直至满足输出图像为清晰的指标为止。实验结果表明:从视觉效果上看,所提算法展现出较好的对比度、亮度、颜色饱和度,且算法的场景适应性和鲁棒性有所提升。