论文研究-贝叶斯框架下去雾算法的优化 .pdf

所需积分/C币:10 2019-08-14 17:56:56 1.65MB .PDF
170
收藏 收藏
举报

贝叶斯框架下去雾算法的优化,诸杏子,苏红旗,近年来,由于雾霾天气的频繁出现,图像的户外视觉系统受到了严重的影响,导致图像质量严重退化,影响了图像的特征判断和识别。在
山国利技论文在线 图应用领域 航拍;水下;交通;监控 图像去雾技术的研究现状 对于雾天天气下捕获的图像的处理方法主要有两类:一类是基于雾天图像增强的方法; 还有一类是基丁雾大图像复原的方法。对J这两类图像去雾的方法,按照去雰方法的类似关 系可将其归纳为不同的了类。以下是对这些分类的详细介绍。 基于图像处理的雾天图像增强 基于图像增强的去雾算法主要通过图像增强来达到去雰的目的,并不去研究带雾图像产 生的原因,主要通过增强图像的对比度来达到去雾的目的。比如突出或者弱化某些信息,来 使得枳器或人眼更加容易识别。人们已经对此方法进行了比较深入的研究,取得了很人的进 展。但是在进行图像増强时,可能造成细节损失或者色彩失真等问题,为后续的处理带来麻 烦。常用的基于图像增强的去雾方法如下: ()全局化的图像增强方法 该方法是根据整幅雾天图像的统计信息,调整灰度值,不考虑所处的区域。雾天天气条 件下的场景的铺货图像的降质程度与它的深度相关,单幅的图像的景深信息、般较为复杂, 所以利用全局化的图像增强处理方法通常不能得到预想的效果,但遇到雾天图像的场景较为 国科技论文在线 简单的时候,该方法的处理效果可观。 常见的全局化雾天图像增强方法主要有以下六种:全局直方图均衡化算法。同态滤 波算法。小波方法。 算法。曲波变换。基于大气调制传递函数增强雾天图像 ()局部化的图像增强方法 局部化的图像增强方法是对我们获得的有雾图像进行整幅操作,我们是根据整个图像的 统计量来确定变换或者转移函数的。我们在实际应用的时候往往要对图像的某些细节进行增 强,但是这地地方往往像素数量较小,在计算整幅图的像素时,它的影响容易被忽略掉,不 能保证这些细节可以得到我们期望的増强效果。因此,我们要根据局部区域的特征来计算变 换或者转移凼数,然后用」我们关注的区域得到增强效果。。 现在主要有以下三类局部化的图像增强方法:局部直方图均衡化方法,也称块重 叠直方图均衡化。局部对比度增强方法。基于局部方差的增强方法。 基于雾天模型的雾天图像复原 以图像复原为基础的研究对有雾的天气条件下图像生成的原因进行了详细地分析,并建 立了雾天图像的降质模型,来反向推演带雾图像形成的原因,然后求解带雾图像。这种在物 理模型的棊础上进行图片去雾的研究逻辑严谨,图像去雾后的效果看上去逼真自然,有着很 好的研究前景。然而这种去雾方法的重难点就是针对一些相关参数的估计,如果参数估计得 不准确,则去雾后的效果也不会让人满意。 ()基于偏徼分方程的雾人图像复原 偏微分方程去雰的基本思想是:依捱图像的梯度信息对图像局部恢复较差的区域进行 修正,关键是通过偏黴分方程来求解图像的梯度场。该方法主要适用于对图像的色彩清晰度 和对比度较高的场合,利用该算法处理出来的有雾图像有良好的边界条件,缺点是:只有通 过用户的相互操作才能求得图像的深度信息和大气散射系数。 ()基于深度关系的雾天图像复原 基于深度关系实现雾天图像恢复的研究方法根据图像景深的已知与否有以下的几类方 法 等人利用深度关系实现雾天图像复原进行了研究,这个算法首先要利用硬件设 各测出场景深度,然后利用场景深度来枃造物理模型,最后对光路进行预测,进而恢复岀去 雾后的图像,该算法吋间复杂度较小,算法较为简单,实验效果较好。第二类是利用辅助信 息来获取场景深度, 等从多个不同角度对提取场景深度信息的方法进行了研究 还有的是利用不同光的偏振特性,通过不同方向上的偏振光恢复场景深度信息,但是该 算法只能应用于大气散射模型程度较弱的薄雾,对大雾天气就不适用。 ()基于先验信息的雾天图像复原 以往的去雾方法在提升降质图像的清晰度时是有限的,因为忽略了真实图像的雾气分布 是不均匀的,这容易造成图像某些部分不清晰,有些地方失真。近几年来,人们开始根据单 有雾降质图像按照图中雾气浓度的变化,来解决去雾问题。等人发现了一个最大对 比度的先验信息,这种通过提升图像对比度的方法往往因为在某些区域色彩增强太大而出现 失真的情况。之后, 等在假设光的传播和场景目标表面遮光部分为局部不相关,并在 这个前提下提出了一种去雾的方法。这种思想很大程度上利用了图像的颜色信息,因此当对 图像亮度较低的图像区域进行去雾处理时,效果就不会很令人满意 国科技论文在线 卷积神经网终介绍 神经网络的概念来自于生物学,神经网络结构是受了生物神经网络和视觉系统结构的启 发而提出来的。卷积神经网终是在神经网络中运用了卷积操作,故名为卷积神经网络。神经 网络是一种由大量神经元连接并相互作用之后构成的自适应非线性动态网终系统。 年,第一个神经元的数学模型,即 模型由心理学家 和数理逻辑学家提岀,该模型是研究神经网终工作的基础。在世纪 年代末、年代初 在模型上加入了学习的功能,提出了单层感知尜模型, 这也是第一次把神经网络的研究运用在实线生活中。但是这个模型只能处理一些简单的线性 不可分问题,对于些复杂的问题难于处理。直到年, 等人提山 的神经网络 问世了,神经网络是一和按误差传播的多层前 馈网络,解决了之前单层感知器所不能解决的问题,比如:单层感知器的输出只能有两种取 值,限制了在分类问题上的扩展;如果输入烊本存在奇异样本,单层感知器网终需要花费很 长的时间;单层感知器的学习算法只对单层有效等等。在年代的时候,各种经典的浅层 机器学习模型,如支持向量机相继被提岀,当神经网络的层数増加时,传统的神经网终 会遇到过拟合、局部最优解以及梯度扩散等问题,正因为这些不足之处导致对深度模型的研 究被搁置起来。年的时候, 等人提出了多隐层的神经网终结构,该结构克服了深 层神经网络训练上的困难,从而引出了人们对深度学习 的研究,这也是人工 神经网络的有波热潮。 年, 详绀系统地介绍了深度学习所包含的网络结构和 学习方法,常见的深度学刁模型有:深度置信网络 层叠自动 去噪编码机 、卷积神经网络模型 ,该模型是 在年首次确立的,之后又对其完善,设计出了一种 多层的人工神经网终 ,可以对手写数字做分类等,但是此时的只适合小图片 的识别,对于数据量较大时处理效果不佳。直到 年 等人在一年一度的 竞赛中,取得了当时所 有参赛者中最佳的分类效果,他们运用了深度的从此之后越来越受到研究者们 的重视 目前,卷积神经网络 已广泛应用于各种模式分类、 目标检测、图像处理等方面,如手写体识别、行人检测、人脸分析以及图像复原等 雾天图像退化模型 根据 关于大气散射模型的描述,大气中有雨雾颗粒的时候,物体反射出来的 光线进入采集设备的时候会因为散射的原因而产生衰减,物体和图像采集设备的距离越远 即场景深度越大,也即传播过程中走的路线越长时,入射光衰减就会越严重,这种衰减会呈 指数型变化,所以叫做指数型衰减,这是由法国学者 提出来的。 上述 人气散射模型可用图表示。从图中可以看出:图像采集设备采集到 的物体的光线主要是由物体本身发射的光线和大气光照射到物体上的光线两部分组成。其中 物体木身反射的光线会因为场景深度的增加而成指数型哀减,而大气光中由于半径较大的粒 了的存在,会有部分散射光线进入设各。而人眼对于图像的观察其实也与此类似,因此大 气散射模对于人眼在雾天图像的观察同样也是适用的。 山国科技论文在线 Illuminatio Source 田田 Transmission Object Sensor 图大气散射模型 根据上述大气散射模型我们可以知道,其中起到重要作用的是哀减模型和坯境光模型。 衰减模型 由于大气中浮游颗粒的散射作用,从场景衣面反射的光线在到达成像设备的过程中部分 光线会偏离,导致获得的图像降质,当物体和图像采集设备的距离越远,即场景深度越大, 也即传播过程中走的路线越长时,入射光就会呈指数型的衰减。图描述的就是入射光衰减 的物理模型: 成像物体入射光束 散射介质 衰减后光线成像设备 图入射光衰减模型 入射光的衰减可以用公式描述: E(a,2)=50(x)eB(i() 上面的公式中,E(a,2)表示进入人眼或图像采集设备采集到光的强度,B0(x)表 示物体初始的入射光的强度 表示的是场景深度,即图像采集设备和物体之间的距离, 表示的是入射光的波长,B(2)表示的是大气积分散射系数,其含义是大气中单位粒子在 不同方向上对入射光的不同的散射能力。一般认为空气是一种每个方向都是具有相同性质的 种介质,那么可以认为B(4)是一个不变的数,含义就是入射光在传播的过程中,在同 个切面上光的强度的是不变的或者变化很微小的。上述的假设情况在有雾的天气中通常也是 可以这样认为的 大气光模型 大气散射模型的另一个重要的构成部分是大气光模型。因为大气中到处都存在各种各样 的粒子,而这些粒子会将太阳射出的光线进行反射,然后这些反射光有一部分就会进入人眼 或者图像采集设备。大气光模型的示意图如下图所示 山国利技论文在线 △散射介质 图人气光模型 在图像釆集设各采集图像的时侠,如果把大气光当做光源,对光的强度进行积分就可以 得到图像采集设备采集到的大气光的强度,即如下血的公式所小: 在上面的公式中,。代表的是当图像采集设备距离物体的距离为时物体实际的 光的强度。 λ表示物体的反射光经过衰减后到了图像采集设备处时的光的强度 则表示大气光发生散射时进入图片收集设备的光的强度 图像退化模型 综上所述,我们知道∫有雾天气条件下获得的图像的退化主要是衰减模型和大气光模型 共同作用的,引起了图像质量的退化。所以在有雾天气条件下,图像的退化模型可以用公式 来表示 (x) F GreEd(xi +L(1-em)=/(x)(x)+(1-t(x)A d/(x)2 其中,是成像设备获得的有雾图像在x位置处的颜色值;J(x)= 是无雾图 像在X位置处的颜色值;是传递系数,也是透射率。 图像去雾的贝叶斯框架 王多超等人利用图像的稀疏先验,基于何凯明博士的算法在贝叶斯框架下实现∫对单幅 图像进行去雾的算法。对公式进行变形,得到A-I(x)=(A-J/(x))(x),由于景 物在成像过程中伴着噪声,所以在原式的基础上添加了一个项噪声项nx),得到 A-1(x)=(A-/(x)t(x)+m(x),将其简写成公式的形式: (x)=(x)t(x)+m(x) 其中,称I(x)=A一(x)是减去大气光值的观测图像,J(x)=A1-/(x)是减 去人气光值无雾图像,t(x)是透射率,n(x)是添加的噪声项。这是后面我们处理的图像 模型。由于观测图像'已知,所以利用最大化后验概率来去对清晰图像丿′和t进行求解 利用贝叶斯公式,得到公式 山国利技论文在线 P(I'./,t)P(/t)f() P(,tlT') P(") 清晰图像的先验知识和场景深度是也就是透射率是不相关的,所以我们可以知公式 中1=′,所以我们利用公式对其进行进一步处理 arg max (P(,t T'))=arg mini-log P(,t7) arg min[-log P(I'I,t)-log P( ,)-log P(t)h 卷积神经网络改进去雾算法 卷及神经网络结构 卷积神经网络在人L神经网络的基础上进入了卷积运算和采样操作,使得它所提取的 特征具有某种程度的空间不变性。虽然卷积神经网络的模型有很多种,但是基本结构,也就 是说模型的组成部分大致都是相同的。般情况下,卷积神经网络由个部分组成:输入层 卷积层、采样层(也叫做池化层)、全连接层、输出层等。图是一个经典的卷积神经网络 模型。当然,虽然该模型是·个层的卷积神经网络,但是其实后来发展的处理图像效果好 的卷积神经网络模型都在几十层、甚至上百层以上 ° 输入层I 卷积层C1 菜样层S1卷积C2样层S2输出层O 图卷积神经网络结构 卷积神经网络可以包含多个卷积层和采样层,一般情况下卷积层和采样层记为一层, 当然也可以把卷积层和采样层分别记两层。隐藏层包含卷积层和采样层两部分,由这两部分 交替组成,其中卷积层比如图中的和的主要作用是对图像的特征提取,例如卷积 层可以提取岀图像的纹理特征、颜色特征、边缘特征等等。采样层比如中的和的 辶要作用是特征压缩,就是把卷积层提取出来的特征进行压缩,当然压缩的前提是保留图像 特征的同时保证计算量变小。卷积层的每个神经元的输入与前一层的局部感受野相连,并通 过一个可学习的卷积核提取该图像局部的一些基本特征,然后通过在高层将这些局部特征综 合起来得到图像的全局信息,这称为卷积神经网络的局部感受野思想 结构设计 图是本文设计的卷积神经网终结构,该结构是一个层的卷积神经网络结构,第 层包括卷积操作和 激励操作,相当」特征提取;第二层是卷积层,用的是多尺度映 射,也是个特征提取的过程;第三层是氾化层,相当于局部极值;第四层是全连接和个 非线性激活函数。该结构包含个卷积层、个池化层,个 激活函数,个激活函 数。下面是对每层结构的详细描述。 山国利技论文在线 特征提取多尺度噢射局部极值 全王接通射率图 == 特征提取 多尺度映 局吝极值 全连接 图结杓设计 网络模型的训练 在本文的卷积神经网络屮,是一个有监督的学习算法,主要是为了找刭输入图像和 透射率图像之间的关系,从而精细化透射率图像,在这里我们用 作为训练中的代价函数,公式如下 ()=-∑ 公式中,表示 值和透射率图的关系,表示图像的训练区域 是需要训练的参数。本文用随机梯度下降法 来训练代价函数,通过最小化有雾图像训练块和相应的真实场景的透射率 之间的损失函数来更新网络参数Q。 经过上面的结构设计和参数更新,可以训练出一个估算图像透射率的卷积神经网络模 型,然后借用何恺明博上暗通道去雾算法估算岀来的大气光值,最后结合大气散射模型 便可以恢复岀无雾图像。本文旳卷积神经內络去雾流程架构设计如图所小。 训练好的卷积 神经网络檨型 透射幸图t I Jdon ch)=min( min (J"(x) ∈x r(3 像豪排在 01 有雾图像I 培通逗图像 大气光值A 恢复后的无雾图像J 图卷积神经网络去雾流程架构设计 山国科技论文在线 实验结果分析 针对以上两个问题,本文给出了组实验结果,第一组图是薄雾情况下,图片存在鲜 艳物体时,即处理自然图像时;第二组溥雾情况下存在人量白色区域时;第三组是浓雾情况 下处理自然图像时。 第一组对比图:在去除薄雾情况下,原算法恢复岀来的图像,树叶枝干细节信息表现 的没有本文算法好。 原有雾图像 原算法 本文算法 图薄雰情况下 第组对比图:原算法处理岀来的图像整体效果偏暗,天空区域出现了过饱和现象, 这是因为原算法在佔算透射率时,误认为该区域具有较低的透射率,最终造成局部区域去雾 过度

...展开详情
试读 14P 论文研究-贝叶斯框架下去雾算法的优化 .pdf
立即下载 身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-贝叶斯框架下去雾算法的优化 .pdf 10积分/C币 立即下载
1/14
论文研究-贝叶斯框架下去雾算法的优化 .pdf第1页
论文研究-贝叶斯框架下去雾算法的优化 .pdf第2页
论文研究-贝叶斯框架下去雾算法的优化 .pdf第3页

试读结束, 可继续读2页

10积分/C币 立即下载