圖像去霧應(yīng)用在霧霾嚴(yán)重的當(dāng)今有著廣泛的應(yīng)用前景,目前暗通道優(yōu)先去霧算法可以得到較好的去霧結(jié)果,但是花費(fèi)時(shí)間較長(zhǎng)、圖像在天空部分存在紋理、天空與景物的銜接處不自然、處理結(jié)果較暗限制了其進(jìn)一步應(yīng)用。隨著深度學(xué)習(xí)的發(fā)展,將深度學(xué)習(xí)算法與去霧需求相結(jié)合,利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）處理霧霾圖像,得到效果好、應(yīng)用廣泛、處理時(shí)間可接受的結(jié)果成為趨勢(shì)。本文對(duì)暗通道優(yōu)先去霧算法進(jìn)行優(yōu)化,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的去霧算法。同時(shí),本文利用并行卷積神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練時(shí)間短、可從原始輸入學(xué)習(xí)高階不變特征的特性,采用開(kāi)放運(yùn)算語(yǔ)言（Open Computing Language,OpenCL）設(shè)計(jì)并優(yōu)化并行卷積神經(jīng)網(wǎng)絡(luò);同時(shí)解決現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)并行化時(shí)硬盤(pán)利用率低、成本過(guò)高、硬件實(shí)現(xiàn)難度大以及跨平臺(tái)性不強(qiáng)的問(wèn)題,達(dá)到了對(duì)圖像進(jìn)行去霧處理,并縮短處理時(shí)間的目的。首先,本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)的概念、實(shí)現(xiàn)原理、關(guān)鍵技術(shù)進(jìn)行了探討,以典型的LeNet5網(wǎng)絡(luò)為例,探討了網(wǎng)絡(luò)每層的功能和實(shí)現(xiàn)方式。然后本文對(duì)典型的去霧算法進(jìn)行了分析,主要是暗通道優(yōu)先去霧算法,并在此基礎(chǔ)上提... 

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文組織結(jié)構(gòu)
第二章 卷積神經(jīng)網(wǎng)絡(luò)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的概念
    2.2 卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)原理
        2.2.1 神經(jīng)網(wǎng)絡(luò)介紹
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
第三章 典型去霧算法分析
    3.1 基于大氣光照物理模型的去霧算法
        3.1.1 暗通道優(yōu)先去霧算法
        3.1.2 基于濾波的去霧算法
        3.1.3 基于均值濾波的實(shí)時(shí)去霧算法
    3.2 基于圖像增強(qiáng)的去霧算法
        3.2.1 自適應(yīng)直方圖均衡化算法
        3.2.2 基于自適應(yīng)對(duì)比度及色階增強(qiáng)的圖像算法
        3.2.3 基于多尺度Retinex圖像增強(qiáng)技術(shù)
    3.3 幾種去霧算法的結(jié)果對(duì)比
第四章 去霧CNN設(shè)計(jì)與暗通道優(yōu)先算法優(yōu)化
    4.1 霧霾圖像數(shù)據(jù)集的建立
        4.1.1 數(shù)據(jù)集生成原理
        4.1.2 圖像數(shù)據(jù)集的處理與生成
    4.2 去霧卷積神經(jīng)網(wǎng)絡(luò)
        4.2.1 batchsize大小的選擇
        4.2.2 網(wǎng)絡(luò)訓(xùn)練結(jié)果
    4.3 暗通道優(yōu)先去霧算法的優(yōu)化
        4.3.1 大氣光值計(jì)算的優(yōu)化
        4.3.2 圖像恢復(fù)公式中t(x)的替代
        4.3.3 基于天空檢測(cè)的天空修正
        4.3.4 基于JND模型的圖像修正
    4.4 處理結(jié)果分析
第五章 基于OpenCL的CNN去霧算法優(yōu)化
    5.1 OpenCL結(jié)構(gòu)分析
        5.1.1 平臺(tái)模型
        5.1.2 執(zhí)行模型
        5.1.3 內(nèi)存模型
        5.1.4 OpenCL共享虛擬存儲(chǔ)器
    5.2 去霧卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
        5.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選型
        5.2.2 主要模塊介紹
    5.3 去霧卷積神經(jīng)網(wǎng)絡(luò)并行化結(jié)構(gòu)設(shè)計(jì)與優(yōu)化
        5.3.1 單卷積過(guò)程并行
        5.3.2 多卷積數(shù)據(jù)并行
    5.4 去霧算法內(nèi)核設(shè)計(jì)
    5.5 結(jié)果分析
        5.5.1 CNN訓(xùn)練與測(cè)試結(jié)果
        5.5.2 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化效果
        5.5.3 暗通道優(yōu)先去霧算法優(yōu)化的時(shí)間對(duì)比
        5.5.4 串、并行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間對(duì)比
        5.5.5 處理不同尺寸圖像的用時(shí)對(duì)比
第六章 結(jié)論
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于遞進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別及其并行化[J]. 許子立,姚劍敏,郭太良.  電視技術(shù). 2016(05)
[2]并行交叉的深度卷積神經(jīng)網(wǎng)絡(luò)模型[J]. 湯鵬杰,王瀚漓,左凌軒.  中國(guó)圖象圖形學(xué)報(bào). 2016(03)
[3]一種快速暗通道去霧算法[J]. 幸山,嚴(yán)華,雷印杰.  計(jì)算機(jī)測(cè)量與控制. 2015(12)
[4]卷積神經(jīng)網(wǎng)絡(luò)的FPGA并行加速方案設(shè)計(jì)[J]. 方睿,劉加賀,薛志輝,楊廣文.  計(jì)算機(jī)工程與應(yīng)用. 2015(08)
[5]單幅圖像快速去霧霾算法[J]. 劉巧玲,張紅英.  西南科技大學(xué)學(xué)報(bào). 2014(03)
[6]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[7]基于雙邊濾波的實(shí)時(shí)圖像去霧技術(shù)研究[J]. 孫抗,汪渤,周志強(qiáng),鄭智輝.  北京理工大學(xué)學(xué)報(bào). 2011(07)
[8]一種單幅圖像去霧方法[J]. 王燕,伍博,谷金宏.  電光與控制. 2011(04)

碩士論文
[1]免疫卷積神經(jīng)網(wǎng)絡(luò)并行優(yōu)化及其嵌入式系統(tǒng)應(yīng)用[D]. 郭吉政.東華大學(xué) 2015
[2]卷積神經(jīng)網(wǎng)絡(luò)的并行化研究[D]. 凡保磊.鄭州大學(xué) 2013



本文編號(hào)：3726353