论文部分内容阅读
由于雾霾天气下大气颗粒的散射作用,通过视频和图像采集系统获取的图像通常可见度较低,将严重影响计算机视觉系统后续的目标识别、目标追踪等功能。目前,图像去雾算法可分为传统去雾算法和基于深度学习的去雾算法。传统去雾算法一般采用图像增强方式对有雾图像进行对比度增强,或采用先验理论来估计有雾图像的透射率值和大气光照值,再通过大气散射模型恢复无雾图像。基于深度学习的去雾算法一般基于有雾图像的先验信息进行建模,再通过有监督学习方式或无监督学习方式来估计有雾图像的透射率图或无雾图,泛化性较强,运算效率更高。本文主要研究基于深度学习的图像去雾算法,主要工作如下:(1)对传统图像去雾领域的一些典型去雾算法进行深入分析,并与基于深度学习的图像去雾算法进行性能对比分析。本文在经典图像去雾数据集RESIDE和O-HAZE上进行实验,并采用无参考图像质量评估指标以及运行时间来衡量多种典型图像去雾算法的去雾效果。实验结果表明基于深度学习的去雾算法不仅具有不错的去雾效果,而且在单幅图像上的去雾效率更高。(2)针对目前去雾网络模型训练参数过多,影响图像去雾效率的问题,本文提出一种新的基于轻量级网络的图像快速去雾模型FAOD-Net用于单幅图像去雾。FAOD-Net模型基于轻量化的体系结构,该体系结构使用深度可分离卷积来构建轻量级卷积神经网络。此外,本文在FAOD-Net模型中添加了金字塔场景解析网络来聚合图像不同区域的上下文信息,从而提高网络模型提取全局信息的能力。本文使用RESIDE训练集来训练FAOD-Net模型,并在RESIDE测试集上进行了广泛的实验,使用全参考和无参考图像质量评估指标来衡量去雾效果。实验结果表明FAOD-Net模型在去雾效果和速度上均具有令人满意的结果。(3)针对目前图像去雾算法易导致去雾后的图像出现颜色失真的问题,本文提出一种新的基于颜色特征提取卷积网络的图像去雾模型CIASM-Net。CIASM-Net模型包括颜色特征提取卷积网络和深度去雾卷积网络。其中,颜色特征提取卷积网络用于提取有雾图像RGB颜色空间的特征,深度去雾卷积网络改进了逆大气散射模型卷积网络IASM-Net,并使用多尺度卷积层来估计透射率图。此外,本文在CIASM-Net模型中添加了金字塔场景解析网络来提取全局特征。本文使用经典的RESIDE训练集来训练CIASM-Net模型,在RESIDE测试集上的实验结果表明CIASM-Net模型具有令人满意的去雾效果。