在霧霾天氣的影響下,成像設(shè)備拍攝到的圖像嚴(yán)重降質(zhì)。這些降質(zhì)圖像會(huì)對(duì)計(jì)算機(jī)視覺(jué)系統(tǒng)的性能造成影響,如目標(biāo)監(jiān)測(cè)系統(tǒng)、目標(biāo)識(shí)別系統(tǒng)等。為了提升計(jì)算機(jī)視覺(jué)系統(tǒng)的性能,對(duì)圖像去霧算法的研究具有十分重要的意義。在硬件實(shí)現(xiàn)方面,由于專用集成電路（ASIC）的開(kāi)發(fā)效率低,而現(xiàn)場(chǎng)可編程門(mén)陣列（FPGA）具有邏輯資源豐富、開(kāi)發(fā)效率高、靈活性強(qiáng)等特點(diǎn),所以一般使用FPGA進(jìn)行數(shù)字圖像處理算法的硬件實(shí)現(xiàn)。本文首先從霧天圖像降質(zhì)的原因出發(fā),介紹了大氣散射模型,該模型可以用于生成有霧圖像。然后介紹了傳統(tǒng)算法中用于圖像去霧的相關(guān)特征。接著,介紹了卷積神經(jīng)網(wǎng)絡(luò)（CNN）的相關(guān)基礎(chǔ),并詳細(xì)介紹了基于CNN的兩種去霧網(wǎng)絡(luò),DehazeNet和AOD-Net。針對(duì)DehazeNet算法由于輸入圖像尺寸的影響不能學(xué)習(xí)圖像的全局信息且分開(kāi)估計(jì)兩個(gè)參數(shù)會(huì)產(chǎn)生重建誤差,AOD-Net算法在訓(xùn)練網(wǎng)絡(luò)的過(guò)程中加入大氣散射模型公式等缺點(diǎn),提出了一種端對(duì)端的CNN去霧算法,通過(guò)對(duì)輸入的有霧圖像進(jìn)行特征提取、特征融合和特征學(xué)習(xí)后得到去霧后的清晰圖像。最后將本文算法與其他去霧算法進(jìn)行主觀和客觀對(duì)比,結(jié)果表明本文算法具有更好的去霧效果。針對(duì)本文... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

訓(xùn)練數(shù)據(jù)(a)地面真實(shí)無(wú)霧圖像(b)合成有霧圖像

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧算法實(shí)現(xiàn)27的清晰圖像與地面真實(shí)圖像之間的均方誤差損失函數(shù)學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，并使用隨機(jī)梯度下降用于訓(xùn)練網(wǎng)絡(luò)。權(quán)值初始化為均值為0，方差為0.1的高斯分布，偏置初始化為0，學(xué)習(xí)率固定為0.001；采用mini-batch梯度下降法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，其中mini-batch-size為8，對(duì)整個(gè)訓(xùn)練集迭100次。本實(shí)驗(yàn)在ubuntu16.04版本amaxsever中python3.5.2、tensorflow1.12.0環(huán)境下進(jìn)行網(wǎng)絡(luò)訓(xùn)練。去霧網(wǎng)絡(luò)的各層參數(shù)見(jiàn)表3-1所示。表3-1網(wǎng)絡(luò)架構(gòu)各層參數(shù)Tab.3-1Parametersofeachlayer層名輸入圖像尺寸卷積核尺寸卷積核個(gè)數(shù)激活函數(shù)特征圖總數(shù)Conv13×480×6401×14maxout(k=4)43×345×547×74Conv24×480×6403×33ReLU3Conv37×480×6405×53ReLU3Conv410×480×6407×73ReLU3Conv513×480×6403×33ReLU3Conv63×38ReLU8Conv78×480×6403×316ReLU16Output16×480×6403×33ReLU33.2霧天圖像的恢復(fù)使用本文算法處理后的圖像如圖3-7所示，(a)為有霧圖像，(b)為處理后的去霧圖像�？梢钥闯�，本文算法處理后的圖像明顯清晰，色彩自然，說(shuō)明本文去霧效果良好。(a)有霧圖像(b)處理后的去霧圖像圖3-7本文去霧算法實(shí)驗(yàn)結(jié)果(a)有霧圖像(b)處理后的去霧圖像Fig.3-7Resultofalgorithmweproposed(a)hazeimage(b)resultafterdehazing3.3圖像質(zhì)量評(píng)價(jià)方法3.3.1主觀評(píng)價(jià)主觀評(píng)價(jià)是觀察者對(duì)圖像在對(duì)比度、飽和度、清晰度等方面的直觀感受，具有主觀意6404803

SDRAM初始化仿真圖

【參考文獻(xiàn)】：
期刊論文
[1]城市群霧霾污染的空間分異及動(dòng)態(tài)關(guān)聯(lián)研究——基于京津冀城市群的實(shí)證分析[J]. 王會(huì)芝,杜林蔚,呂建華.  中國(guó)環(huán)境管理. 2020(01)
[2]融合直方圖均衡化與同態(tài)濾波的霧天圖像增強(qiáng)算法研究[J]. 趙春麗,董靜薇,徐博,馬曉峰.  哈爾濱理工大學(xué)學(xué)報(bào). 2019(06)
[3]基于自適應(yīng)改進(jìn)的遙感圖像去霧算法研究[J]. 趙陽(yáng),王劍,曹浩男.  電子設(shè)計(jì)工程. 2019(19)
[4]融合同態(tài)濾波和小波變換的圖像去霧算法研究[J]. 董靜薇,趙春麗,海博.  哈爾濱理工大學(xué)學(xué)報(bào). 2019(01)
[5]基于同態(tài)濾波和Retinex的圖像去霧算法[J]. 汪秦峰,陳莉,樊泰亭,陳占武,楊濤.  火控雷達(dá)技術(shù). 2016(02)
[6]基于四階偏微分方程圖像復(fù)原去霧方法[J]. 李桂林,王創(chuàng)新,萬(wàn)志銀.  電子科技. 2016(02)
[7]雙通道分塊同態(tài)濾波彩色圖像增強(qiáng)算法[J]. 段群,吳粉俠,李紅.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(01)
[8]融合變分偏微分方程的單幅彩色圖像去霧[J]. 周理,畢篤彥,何林遠(yuǎn).  光學(xué)精密工程. 2015(05)
[9]基于小波變換的低照度圖像自適應(yīng)增強(qiáng)算法[J]. 李慶忠,劉清.  中國(guó)激光. 2015(02)
[10]基于改進(jìn)同態(tài)濾波的遙感圖像去云算法[J]. 周小軍,郭佳,周承仙,譚薇.  無(wú)線電工程. 2015(03)



本文編號(hào)：3573111