基于并联卷积神经网络的图像去雾.docx资源-CSDN文库

版权申诉

171 浏览量 2023-02-23 16:51:25 上传评论收藏 2.39MB DOCX 举报

资源推荐

资源详情

资源评论

雾霾天气情况下, 悬浮在大气中的微小颗粒对光线的散射和吸收作用, 导致采集到的

图像对比度与饱和度降低, 色调偏移, 严重影响了户外视觉系统的效用. 因此, 雾天图像的

清晰化处理成为计算机视觉领域中的一个重要问题. 现有的图像去雾方法主要有两种, 其一

是基于图像增强的方法, 这种方法不考虑图像退化的原因, 会造成图像信息的损失. 如基于

颜色恒常性的 Retinex 理论

[1-2]

、基于路径 Retinex 算法

[3-4]

和迭代形式的 Retinex 算法

[5]

, 这些

算法都存在参数调整困难且算法复杂度高的问题. 其二是基于图像复原的方法, 此方法利用

图像退化的先验知识和假设来恢复图像, 去雾图像信息缺失较基于物理模型的图像复原方

法少, 去雾效果自然. 如 He 等

[6]

提出了一种基于暗原色先验知识统计(Dark channel prior,

DCP)的方法. 但 He 的暗通道先验方法过高估计雾的浓度,导致去雾后图像整体亮度偏暗,且

天空区域常出现失真现象. Zhu 等

[7]

提出了颜色衰减先验(Color attenuation prior, CAP). 尽管

上述算法取得了很大的进步, 但它们仍然依赖于各种先验知识, 具有一定的局限性.

近些年来, 随着深度学习理论在语义分割

[8]

、目标识别

[9]

、图像超分辨率重建

[10]

等方面

的不断发展, 一些学者将该理论用于图像去雾领域也获得了较好的效果. 如 Cai 等

[11]

提出的

DehazeNet 训练预测的传输图. Ren 等

[12]

设计了多尺度卷积神经网络(Multi-scade

convolutional neural network, MSCNN)估计了场景的透射率. Li 等

[13]

提出了 Cascaded CNN,

该网络分别估计大气光值和传输图. 由于这几种基于卷积神经网络的方法是分别估计介质

传输图和大气光值的, 所以增加了恢复去雾图像的累计误差. 为此, 我们的目标是通过直观

地最大化预测图像和无雾图像之间的视觉相似性来训练一个去雾卷积神经网络.

与以往的估计介质传输图方法不同的是, 我们直接利用雾天图像和清晰图像训练卷积

神经网络. 为此, 本文提出了一种基于并联卷积神经网络的单幅图像去雾算法. 首先, 使用

雾天 RGB 图像 YUV 变换的 Y、U 和 V 分量构建并联卷积神经网络, 自适应获得雾霾特征;

其次, 利用多尺度卷积提取雾霾特征与重建, 并且跳跃连接减少了网络参数, 提高了网络训

练速度; 最后, 采用递归双边滤波, 对去雾后的 RGB 图像进行滤波, 可以得到更加清晰的

无雾图像.

1. 相关理论

1.1 大气散射模型

在计算机视觉领域中, 通常使用大气散射物理模型

[14]

来描述雾天图像的退化过程, 该

模型广泛用于图像去雾技术的研究, 用公式可表示为

I(x)=t(x)J(x)+A(1−t(x))I(x)=t(x)J(x)+A(1−t(x))

(1)

其中, I(x)I(x)为采集到的雾天图像, J(x)J(x)为清晰图像, t(x)t(x)为介质传输图, AA 为大

气光值. 当大气同质时, 介质传输图可以定义为

t(x)=e−βd(x),0≤t(x)≤1t(x)=e−βd(x),0≤t(x)≤1

(2)

其中, ββ 为散射率, 当大气均匀时, 在一定时刻对于整幅图像来说散射率是一个定

值, d(x)d(x)为场景对象到传感器的距离, 即场景深度.

1.2 理论分析

由式(1)可知, 传输图可表示为

t(x)=∥A−I(x)∥∥A−J(x)∥t(x)=‖A−I(x)‖‖A−J(x)‖

(3)

雾霾天气的大气光照导致 RGB 色彩空间发生一定的变化, 近似认为 RGB 色彩空间存

在白色雾霾. 在向量空间中, 它表示为

ΔH(x)=I(x)−J(x)ΔH(x)=I(x)−J(x)

(4)

结合式(1)可知

ΔH(x)=(1−t(x))(A−J(x))ΔH(x)=(1−t(x))(A−J(x))

(5)

为了使 ΔH(x)ΔH(x)主要集中在同一通道上, 将 ΔH(x)ΔH(x)从 RGB 颜色空间转换为

YUV 颜色空间. 它们之间的传递函数可以表示为

ΔH(x)x∈(Y,U,V)=δ×ΔH(x)x∈(r,g,b)ΔH(x)x∈(Y,U,V)=δ×ΔH(x)x∈(r,g,b)

(6)

其中,

δ=⎡⎣⎢0.2990.5−0.1690.587−0.439−0.3310.114−0.0810.5⎤⎦⎥δ=[0.2990.5−0.1690.587−0.439−0.3310.114−0.0810.5]

(7)

由于区域内均匀介质 ΔH(x)ΔH(x)的存在, 使得 RGB 颜色空间中容易出现纯白色, 因

此 ΔHr(x)ΔHr(x), ΔHg(x)ΔHg(x), ΔHb(x)ΔHb(x)三个平衡分量近似相等, 接近 RGB 颜色空

间模型的最大值. 因此, 近似得到

ΔHr(x)≈ΔHg(x)≈ΔHb(x)=λ,λ→1ΔHr(x)≈ΔHg(x)≈ΔHb(x)=λ,λ→1

(8)

因此, 由式(7)和式(8)知

ΔH(x)x∈(Y,U,V)=(ΔHY(x),ΔHU(x),ΔHV(x))=(0.9λ,0,0)ΔH(x)x∈(Y,U,V)=(ΔHY(x),ΔHU(x),ΔHV(x))=(0.9λ,0,0)

(9)

在 YUV 颜色空间中, 雾天图像与其对应的清晰图像之间的总误差可表示为

H=1N∑x=0N−1ΔHY(x)H=1N∑x=0N−1ΔHY(x)

(10)

其中, xx 表示每个像素的位置, NN 为图像的像素总数. 式(10)证明了 ΔH(x)ΔH(x)主要

投射在亮度通道上. 也就是说, 将投影在 RGB 颜色空间模型灰度轴线上的 H(x)H(x)转换为

亮度通道进行除雾. 当天气变坏时, H(x)H(x)的三种成分会导致不平衡. 因此, 一小部分偏

差可以投射到另外两个色度通道上.

2. 图像去雾算法

经过统计实验发现在雾天图像的 RGB 色彩空间中, 大气光照对各个分量都具有显著

的影响, 而在 YUV 色彩空间中, 有雾区域主要集中在亮度通道, 色度通道和饱和度通道较

剩余15页未读，继续阅读

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3675
资源: 1万+

基于并联卷积神经网络的图像去雾.docx

基于并联卷积神经网络的图像去雾.pdf

基于并联卷积神经网络的SAR图像目标识别.pdf

一种基于尺寸均匀的雅可比矩阵的三自由度并联机械手.docx

基于STM32单片机的开关电源并联供电系统.docx

卷积神经网络入门教程.docx

卷积神经网络-计算机.docx

基于深度卷积神经网络的图像分类.docx

基于3D-cube结构的卷积神经网络硬件加速.docx

基于神经网络的踝关节康复并联机器人的逆运动学的精确求解.pdf

基于遗传算法和神经网络控制的并联型有源电力滤波器的研究.pdf

基于软件工程的并联机床控制软件设计分析.docx

基于PLC二台电梯并联运行控制系统.docx

基于神经网络的高压并联电抗器匝间保护研究.pdf

基于软件定义的可重构卷积神经网络架构设计.docx

利用Matlab实现基于小波变换的遥感图像融合.docx

一种双向脉动数据流的全卷积神经网络加速器.docx

基于生成对抗网络的图像去雾算法.docx

基于底帽变换与图像融合的图像去雾算法.docx

基于BP神经网络5-P4R并联机构位置正解研究.pdf

基于新型初始模块的卷积神经网络图像分类方法.docx

(完整版)MATLAB典型去雾算法代码...docx

一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法.docx

基于matlab的图像去雾算法详细讲解与实现附matlab实现源代码.docx

基于图卷积神经网络的推荐算法.docx

基于MATLAB算法的遥感图像融合.docx

基于注意力机制的单幅图像去雾算法.docx

深度学习之卷积神经网络经典模型.docx

基于改进型PCA和LDA融合算法的人脸图像识别.docx

最新资源