论文部分内容阅读
图像去雾技术在很多领域,诸如国防、交通、航空、天文研究等领域具有广泛的应用。现实中在雾、霾等天气下,由于受到大气中悬浮颗粒、汽水等影响,摄像头采集到的图像的质量很差,很大的限制了图像采集系统的应用效果。如何快速、有效地消除有雾天气对采集图像和视频质量的影响,从而提高图像清晰度与分辨度,这是图像增强领域的一个研究热点和难点。基于深度学习的去雾模型相对传统的去雾模型,存在以下优点:首先,通过对海量的带雾和去雾图片样本进行不断学习,不断迭代更新学习参数,最终收敛的模型可以学习到更好的去雾特征。其次,针对不同场景下,基于深度学习的去雾模型具有更好的鲁棒性;再次,基于深度学习的去雾模型可以通过适当控制模型的参数、优化模型的卷积操作,使模型轻量级化。最后,通过有效地减少模型的冗余参数,可以加快模型去雾的处理速度,从而实现对带雾图像的实时去雾处理。针对图像去雾算法要求高效、快速,应用终端设备要求可移动、大小、功耗有限等的应用场景,本文提出了一种基于深度学习的轻量级图像去雾算法模型LMDehaze-Net（Lightweight Mobile Dehazing Network）,并在移动端NVIDIA?JetsonTMTX1实现了其相关基础应用。本文主要工作内容包括:（1）对传统去雾算法和最新端到端去雾算法进行了深入地研究,认真分析和总结了它们算法的特点。其次,针对模型的轻量化,对多种表现优秀的轻量级网络的卷积优化操作进行了详细地总结。（2）针对已有去雾算法参数量大、图像去雾速度慢的问题,提出了一种基于深度学习的轻量级图像去雾算法模型LMDehaze-Net。基于公开数据集RESIDE和NYU2,将LMDehaze-Net模型与传统算法模型、最新端到端算法等模型进行了多方面的实验效果对比。实验结果表明LMDehaze-Net能够高效、快速地解决图像去雾问题。（3）针对一般的深度学习平台存在高性能显卡体积大、价格昂贵、模型部署困难等问题,本文采用了先在实验室GPU集群上训练好LMDehaze-Net模型,然后将训练好的模型部署到内嵌信用卡大小GPU的JetsonTMTX1硬件平台上的方法,并在JetsonTMTX1上实现了LMDehaze-Net算法模型的相关基础应用。