基于生成对抗网络的图像去雾算法.docx

"基于生成对抗网络的图像去雾算法" 在恶劣的天气条件下，雾霾和一些微小颗粒对电子设备下获取的图像造成了很多干扰，这使得获取的图像对比度变差、色彩失真、边缘模糊、细节缺失，严重影响人类生活的方方面面。为了解决这个问题，研究人员提出了多种去雾算法，包括基于图像增强技术、基于大气散射模型的图像复原方法和基于神经网络手段的图像去雾方法。 基于图像增强技术的方法只关注图像本身的对比度等，但这种方法容易丢失图像的细节信息。基于大气散射模型的方法利用先验知识和物理模型进行去雾，但这种方法需要准确的参数估计，否则将影响去雾效果。基于神经网络手段的方法通过网络的特征提取能力来学雾霾特征，从而达到去雾效果。但是，这些方法都有其不足之处，例如Tan等人的方法得到的结果图颜色过于饱和，Tarel等人的方法在场景突变的地方会引起Halo效应。 近年来，出现了基于生成对抗网络的图像去雾方法，这种方法可以生成高质量的图像，且不需要准确的参数估计。本文提出了基于生成对抗学习的神经网络去雾算法，该算法将图像的介质传输图和大气光值嵌入到一个变量中，作为一个整体来优化，同时在网络的输出之后加入一个对抗学习的判别器，来判别输出图像是否足够真实。 在该算法中，我们提出了基于联合优化网络的单幅图像去雾算法，该网络将图像的介质传输图和大气光值嵌入到一个变量中，作为一个整体来优化，同时在网络的输出之后加入一个对抗学习的判别器，来判别输出图像是否足够真实。我们还提出了新的保边损失函数来优化网络参数，该损失函数包含了图像的边缘信息损失和L2损失及判别器损失。 为了训练和测试网络，我们使用了真实图像和合成的模糊图像作为数据集，其中真实的有雾图和对应清晰图像各560张，包括了各种场景下的有雾图像，例如带天空区域的、交通路口的、城市建筑的、火车轨道的等。合成图像840张，也包括了各种场景，由于合成有雾图像通常会产生明显的伪影，所以在合成过程中利用引导滤波的方法来产生更好的模糊图像，从而保证训练数据的可靠性。 实验结果表明，本文提出的算法可以生成高质量的图像，且不需要准确的参数估计。该算法的去雾效果优于其他方法，且可以恢复更多的图像可见边缘和细节信息。 本文提出的基于生成对抗学习的神经网络去雾算法可以有效地解决图像去雾问题，具有广泛的应用前景。