霧霾是一種常見的天氣現(xiàn)象�？諝庵械撵F霾會導致攝像機拍攝得到的圖片的清晰度和能見度降低,從而導致其應用價值大幅度的降低。因此,圖像去霧任務有著重要的現(xiàn)實意義。本文首先分析了目前圖像去霧算法的優(yōu)缺點,然后在此基礎上提出了兩個不同的基于深度學習的圖像去霧算法和一種像素級的圖像去霧效果評價算法。本文的主要研究內(nèi)容和成果如下:第一,為了將有霧圖像恢復成為清晰的無霧圖像,本文提出了一種需要數(shù)據(jù)對進行訓練的端到端的深度學習框架去執(zhí)行圖像去霧任務。我們提出的深度學習網(wǎng)絡框架不需要估計有霧圖像的透射率和大氣光值,而是直接估計有霧圖像和對應的無霧圖像之間的差,之后用初始的有霧圖像加上我們提出的網(wǎng)絡輸出的差,得到清晰的無霧圖像。第二,結合了傳統(tǒng)的圖像去霧算法,本文提出了一種新的激活函數(shù)去用來加快本文提出的基于深度學習的圖像去霧網(wǎng)絡的收斂速度。該激活函數(shù)被命名為反參數(shù)整流線性單元（RPRe LU）。該激活函數(shù)不僅能加快網(wǎng)絡的訓練速度,并且能提升網(wǎng)絡的性能。第三,為了解決傳統(tǒng)的基于深度學習的圖像去霧算法需要數(shù)據(jù)對才能進行訓練的缺陷。本文提出了一種不需要數(shù)據(jù)對來進行訓練的基于生成式對抗網(wǎng)絡的圖像去霧模型。該模型不... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

霧霾天氣對目標檢測算法的影響

哈爾濱理工大學工學碩士學位論文-2-近幾年來，圖像去霧算法受到的關注較多，許多學者都提出了有效的圖像去霧方法，并都取得了一定的成果。因此，需要一個客觀公正的去霧質量評價算法來評價圖像去霧的效果。由于在圖像去霧任務中，我們無法獲得真實的無霧圖像作為參考，因此圖像去霧任務是一個典型的不適定問題。很多學者利用大氣散射模型在無霧圖像上進行模擬霧天圖像，然后利用原始的無霧圖像作為圖像去霧效果的基準來評價圖像去霧算法的好壞。但是，這種評價方案有兩個缺陷。第一，由于真實的有霧圖像與人工模擬的有霧圖像的區(qū)別較大，因此在合成數(shù)據(jù)集上效果好的算法在真實數(shù)據(jù)集上的性能可能很差。第二，當圖像去霧算法對真實的有霧圖像執(zhí)行圖像去霧時，由于無法獲得參考信息，因此這種全參考的圖像質量評價無法工作。因此，如何在不使用原始的清晰圖像作為參考信息的前提下客觀公正的評價圖像去霧算法的效果是一個困難且重要的問題。圖1-2霧霾天氣下的戶外圖像Fig.1-2Hazyoutdoorsceneimages1.2本課題國內(nèi)外研究現(xiàn)狀我們的研究大致可以分為兩個內(nèi)容：第一部分是對圖像去霧算法的研究，第二部分是對圖像去霧質量評價算法的研究。1.2.1國內(nèi)研究現(xiàn)狀與應用目前國內(nèi)有許多學者都對圖像去霧算法進行了研究。其中最具有代表性的是何凱明博士于2009年提出暗通道先驗算法[3]。暗通道先驗算法指出，在一幅RGB圖像中，取每一個像素的三通道的灰度值中的最小的那個值得到一幅灰度圖，之后對這幅灰度圖進行最小值濾波，得到的圖像為原RGB圖像對應的暗通道圖像。何凱明等人發(fā)現(xiàn)，清晰無霧的圖像的暗通道的值非常低，幾乎

哈爾濱理工大學工學碩士學位論文-6-圖2-1大氣散射模型示意圖Fig.2-1Diagrammaticdrawingofatmospherescatteringmodel2.2深度學習基礎人工智能在很多領域中也都有應用，比如三維重構、情感分析、人臉識別等等。人工智能最重要的分支是深度學習。近幾年來，深度學習在很多領域都取得了突破，其原因主要有兩個：第一是在因為在互聯(lián)網(wǎng)時代的背景下，獲取數(shù)據(jù)也變得更加方便了；第二是因為計算機的硬件水平在不斷的提升。至少基于以上兩點原因，深度學習技術才能在近幾年來發(fā)展的十分迅速。大量的論文和應用都證明了，深度學習技術可以在很多領域內(nèi)進行應用，比如計算機視覺、自然語言處理、機器人技術、量化投資、網(wǎng)絡和廣告金融等等。2.2.1卷積神經(jīng)網(wǎng)絡前向傳播結構是深度學習中最基本的結構。圖2-2是前向神經(jīng)網(wǎng)絡，由多個單一“神經(jīng)元”相互連接，按層搭建成的網(wǎng)絡。網(wǎng)絡共有3部分：輸入層（Layer1)、隱藏層（Layer2)、輸出層（Layer3)。其中Layer1與Layer3均為可視層；Layer2為隱藏層。Layer3只有一個節(jié)點，用來輸出結果。以圖2-2中的前向神經(jīng)網(wǎng)絡結構為例，該圖可輸入3個變量，隱藏節(jié)點是3個輸出節(jié)點是1個，每一層都有各自的權值W和偏移量b。前向神經(jīng)網(wǎng)絡的學習方式是一種有監(jiān)督的學習方式，即需要提供數(shù)據(jù)的標簽才能進行訓練。卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetwork,CNN）也屬于前向神經(jīng)網(wǎng)絡的一種。卷積神經(jīng)網(wǎng)絡的作者是受到了動物視覺神經(jīng)工作過程的啟發(fā)而

【參考文獻】：
期刊論文
[1]分割暗通道先驗鄰域的單幅圖像去霧算法[J]. 黃黎紅.  地球信息科學學報. 2018(02)
[2]基于暗原色先驗與Retinex理論的去霧算法[J]. 舒婷,鄧波,陳炳權,劉耀峰.  吉首大學學報(自然科學版). 2014(02)

碩士論文
[1]基于HVS特性的圖像質量客觀評價[D]. 龔洪濤.南京理工大學 2011



本文編號：3583585