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