霧塵條件下糧庫監(jiān)控系統(tǒng)圖像清晰化技術(shù)研究
發(fā)布時間:2023-02-18 16:36
隨著產(chǎn)業(yè)技術(shù)升級,智能安防監(jiān)控、圖像采集、目標識別與追蹤等設備在糧庫安全保障中得到大面積推廣。安防視頻監(jiān)控系統(tǒng)能夠?qū)Z庫主要的進出口儲糧通道、庫區(qū)、作業(yè)點、器械庫、藥品庫等一些重要場所的工作情況進行實時監(jiān)控,對于人員聚集、越界、區(qū)域入侵、作業(yè)人員違章等異常行為進行警告,不僅減少了現(xiàn)場檢查,降低了糧庫人工管理的成本,更有利于儲糧工作過程中的管理和數(shù)據(jù)的收集。然而,糧庫中粉塵和霧霾天氣的出現(xiàn),導致監(jiān)控系統(tǒng)獲取的糧庫圖像質(zhì)量嚴重下降,細節(jié)信息模糊,限制了對圖像進一步的識別、分析與利用。因此,本文基于機器學習的方法,針對如何提高霧塵環(huán)境下糧庫圖像質(zhì)量,進行全面的研究,具體研究內(nèi)容如下:1.針對糧庫霧塵環(huán)境下采集到的圖像背景中大多含有白色區(qū)域,然而現(xiàn)有去霧方法在處理該類圖像時由于白色區(qū)域的存在會影響到大氣光值估計的準確性,提出了基于四叉樹分解的方法在天空區(qū)域內(nèi)對大氣光進行準確估計;同時,基于現(xiàn)有去霧方法容易受手工特征提取及假設條件的限制,本文提出改進的基于神經(jīng)網(wǎng)絡的方法。首先,利用多尺度卷積神經(jīng)網(wǎng)絡通過學習的方式獲得粗略透射圖透,然后使用圖像融合方法對其進行細化;最后,將估計的參數(shù)帶入大氣散射模...
【文章頁數(shù)】:71 頁
【學位級別】:碩士
【文章目錄】:
摘要
abstract
1 緒論
1.1 研究背景和意義
1.2 相關(guān)技術(shù)研究現(xiàn)狀
1.2.1 傳統(tǒng)圖像去霧技術(shù)
1.2.2 基于機器學習的圖像去霧技術(shù)
1.3 論文的主要研究工作
1.4 論文的組織結(jié)構(gòu)
2 圖像去霧的基礎和機器學習
2.1 糧庫霧塵環(huán)境的成因
2.2 圖像退化及顏色失真機理分析
2.3 大氣散射理論方法
2.3.1 入射光衰減模型
2.3.2 大氣光成像模型
2.3.3 大氣光散射模型
2.4 圖像去霧技術(shù)
2.4.1 CLAHE方法
2.4.2 暗通道方法
2.4.3 多尺度Retinex方法
2.5 機器學習理論
2.5.1 卷積神經(jīng)網(wǎng)絡
2.5.2 支持向量機
2.6 本章小結(jié)
3 基于多尺度卷積神經(jīng)網(wǎng)絡的糧庫圖像去霧方法
3.1 糧庫圖像的特點及重點監(jiān)控區(qū)域
3.2 基于神經(jīng)網(wǎng)絡去霧方法的不足及改進
3.3 四叉樹分解法獲取大氣光
3.4 基于多尺度卷積神經(jīng)網(wǎng)絡的透射率估計
3.4.1 網(wǎng)絡設計
3.4.2 網(wǎng)絡訓練
3.4.3 透射圖的細化
3.4.4 復原無霧圖像
3.5 實驗結(jié)果分析與對比
3.5.1 合成圖像對比實驗
3.5.2 真實圖像對比實驗
3.6 本章小結(jié)
4 基于SVM的自適應單幅圖像去霧方法
4.1 霧天圖像分類
4.1.1 訓練樣本
4.1.2 暗通道直方圖特征
4.1.3 紋理特征
4.1.4 模型訓練與圖像分類
4.2 圖像質(zhì)量評價指標
4.3 自適應圖像去霧
4.4 實驗結(jié)果與分析
4.5 圖像質(zhì)量評價與對比
4.6 本章小結(jié)
5 總結(jié)與展望
5.1 工作總結(jié)
5.2 展望
參考文獻
致謝
作者簡介、攻讀碩士學位期間取得的階段性成果
本文編號:3745318
【文章頁數(shù)】:71 頁
【學位級別】:碩士
【文章目錄】:
摘要
abstract
1 緒論
1.1 研究背景和意義
1.2 相關(guān)技術(shù)研究現(xiàn)狀
1.2.1 傳統(tǒng)圖像去霧技術(shù)
1.2.2 基于機器學習的圖像去霧技術(shù)
1.3 論文的主要研究工作
1.4 論文的組織結(jié)構(gòu)
2 圖像去霧的基礎和機器學習
2.1 糧庫霧塵環(huán)境的成因
2.2 圖像退化及顏色失真機理分析
2.3 大氣散射理論方法
2.3.1 入射光衰減模型
2.3.2 大氣光成像模型
2.3.3 大氣光散射模型
2.4 圖像去霧技術(shù)
2.4.1 CLAHE方法
2.4.2 暗通道方法
2.4.3 多尺度Retinex方法
2.5 機器學習理論
2.5.1 卷積神經(jīng)網(wǎng)絡
2.5.2 支持向量機
2.6 本章小結(jié)
3 基于多尺度卷積神經(jīng)網(wǎng)絡的糧庫圖像去霧方法
3.1 糧庫圖像的特點及重點監(jiān)控區(qū)域
3.2 基于神經(jīng)網(wǎng)絡去霧方法的不足及改進
3.3 四叉樹分解法獲取大氣光
3.4 基于多尺度卷積神經(jīng)網(wǎng)絡的透射率估計
3.4.1 網(wǎng)絡設計
3.4.2 網(wǎng)絡訓練
3.4.3 透射圖的細化
3.4.4 復原無霧圖像
3.5 實驗結(jié)果分析與對比
3.5.1 合成圖像對比實驗
3.5.2 真實圖像對比實驗
3.6 本章小結(jié)
4 基于SVM的自適應單幅圖像去霧方法
4.1 霧天圖像分類
4.1.1 訓練樣本
4.1.2 暗通道直方圖特征
4.1.3 紋理特征
4.1.4 模型訓練與圖像分類
4.2 圖像質(zhì)量評價指標
4.3 自適應圖像去霧
4.4 實驗結(jié)果與分析
4.5 圖像質(zhì)量評價與對比
4.6 本章小結(jié)
5 總結(jié)與展望
5.1 工作總結(jié)
5.2 展望
參考文獻
致謝
作者簡介、攻讀碩士學位期間取得的階段性成果
本文編號:3745318
本文鏈接:http://www.sikaile.net/kejilunwen/shengwushengchang/3745318.html
最近更新
教材專著