论文部分内容阅读
智能监控系统是一种重要的监控手段,在公共安全、社会维稳、智能交通、环境保护等方面具有重要的实用意义。现有的智能监控系统已经能够执行目标识别、跟踪等任务,但在实际场景中,面对雨、雪、雾等恶劣天气状况时,监控系统难以发挥作用。因此,如何克服恶劣天气的影响,实现对室外场景的全天候监控是亟待解决的重要问题。本文以解决上述问题为目标,研究图像中天气的分类与受恶劣天气影响的低质图像增强相关技术。本文的主要贡献如下:(1)针对任意场景的天气分类问题,提出了一种基于多种特征融合的单幅图像中多类天气分类方法。传统的图像天气分类工作大部分是针对单一场景的两类天气分类,无法扩展到任意场景和多类天气分类任务。此外,边缘、角点、方向梯度直方图等图像分类任务常用的特征无法区分图像中的天气。为了克服这些缺陷,我们设计天空特征、地面阴影特征、暗通道金字塔特征、基于模板匹配的雨线特征和雪花噪声特征等区分天气性能较强的特征,并通过多核学习算法对这些特征进行选择与融合。此外,我们收集大量图像,并构建了一个多类天气图像数据集,为相关研究提供测试的基础。实验结果表明我们提出的方法能够显著地提高图像中多种天气分类的准确率。(2)针对单幅图像中雾的去除问题,提出了一种基于对比度增强的去雾算法。传统的图像去雾工作通常基于各种假设或先验知识,对于不符合假设或先验知识的图像处理的效果不好,并且由于不考虑图像中雾的浓度,导致对于轻雾图像的过度去除及重雾图像的去除不足等问题。为了克服这些缺陷,我们将空气质量数据作为图像的标签,提取功率谱、对比度、饱和度等图像光学特征,并通过构造支持向量机分类器,对图像中雾的浓度等级进行分类。然后,构造图像的对比度损失函数与信息损失函数,并通过最小化两个损失函数,对图像进行去雾。为了自适应地去除不同浓度的雾,我们根据上一步骤得到的雾的浓度等级,来约束两个损失函数的权重。在大量真实图像上的实验结果表明,本文的方法对图像去雾的效果有明显的提升。(3)针对单幅图像中雨的去除问题,提出了一种基于暗通道引导卷积神经网络的去雨算法。通过对大量真实图像的观察,我们发现下雨的同时往往伴随着雾或水汽,而传统的工作大多数都忽略了这一现象,因此导致去雨的结果不能令人满意。为了克服这一缺陷,我们提出一种雨雾混合的非线性雨图模型,设计了一种多任务的卷积神经网络,通过优化色彩损失函数和暗通道损失函数,实现对雨和雾的同步去除。其中,色彩损失函数通过最小化输出图像与参考图像的色彩通道误差,实现对去雨结果的优化;暗通道损失函数通过最小化输出暗通道图像与参考暗通道图像的深度误差,实现对去雾结果的优化。基于雨雾混合雨图模型,我们合成大量的有雨图像,构建了 Rain700数据集。实验结果表明本文所提出方法的去雨效果在主观视觉效果、客观评价指标及时间开销上都明显优于现有其它方法。