一种基于改进AOD-Net的航拍图像去雾算法.docx

基于改进AOD-Net的航拍图像去雾算法 随着无人机航拍技术的日益成熟，无人机航拍技术逐渐被频繁地应用于复杂环境地图测绘、辅助驾驶、道路监控等领域。然而，由于航拍无人机与拍摄对象的距离通常较远，航拍图像更容易受雾霾环境的影响。在雾霾环境中，地面拍摄的普通图像中近景受到雾霾的影响较小，而航拍图像整体都会包含浓度较高的雾霾，这极大地影响了航拍图像的成像质量。 图像去雾算法可以分为基于传统数字图像处理与物理模型结合的方法和基于深度学习设计的去雾网络模型的方法。基于传统数字图像处理与物理模型结合的方法一般以大气散射物理模型为基础，在此基础上针对大气光值与透射矩阵设计求解算法以期获取准确的数值。 而基于深度学习设计的图像去雾模型能够被进一步细分为基于大气散射模型的间接参数求解型网络模型和直接图像生成型网络模型。其中，基于大气散射模型的间接参数求解型网络模型一般是通过对大气光值或者传输矩阵进行网络设计，通过构建高效的特征提取网络结构来准确获取二者的数值，然后进而通过大气散射物理模型生成无雾图像。 AOD-Net是我们选择的去雾算法，该方法简化了去雾模型，通过对大气散射模型进行变形使大气光值以及大气透射率合并为一个参数变量，并设计了一种简单高效的特征融合型卷积神经网络来有效获取该变量的值。虽然AOD-Net的网络结构非常轻巧，算法耗时极短，但是处理真实雾图的时候非常容易使图像的色调丢失并且损失较多色值。 因此，我们需要对AOD-Net进行改进，以提高去雾图像的质量和去雾速度。通过对AOD-Net的改进，我们可以实现高质量的去雾图像，满足复杂环境地图测绘、辅助驾驶、道路监控等领域的需求。 知识点总结： 1. 航拍图像去雾算法的重要性：航拍图像容易受雾霾环境的影响，影响了航拍图像的成像质量，因此需要对航拍图像进行去雾处理。 2. 基于传统数字图像处理与物理模型结合的方法：该方法一般以大气散射物理模型为基础，通过设计求解算法获取准确的数值。 3. 基于深度学习设计的图像去雾模型：该方法能够被进一步细分为基于大气散射模型的间接参数求解型网络模型和直接图像生成型网络模型。 4. AOD-Net的优缺点：AOD-Net的网络结构非常轻巧，算法耗时极短，但是处理真实雾图的时候非常容易使图像的色调丢失并且损失较多色值。 5. 改进AOD-Net的必要性：为了提高去雾图像的质量和去雾速度，我们需要对AOD-Net进行改进，以满足复杂环境地图测绘、辅助驾驶、道路监控等领域的需求。