论文部分内容阅读
目前,越来越多的计算机视觉系统被广泛应用于各个行业,这些计算机视觉系统大都以输入清晰图像为前提进行工作,但是在实际场景中,特别是在室外环境下,由于雾、霾等天气原因,我们无法保证获取到清晰可用的图像数据,因此图像增强技术越来越受到研究人员关注。同时,随着我们科技水平的提高,对海洋的开发越来越引起各国重视,应用水下机器人进行水下探测被认为是一项重要任务,这其中计算机视觉的应用是完成这项任务的关键一环。但是光的吸收和散射现象同样存在于水下环境中,比起有雾图像,水下图像会遭受更严重的失真问题,比如对比度降低、蓝绿色过多等。针对有雾等室外环境对图像清晰度的影响,去雾图像增强技术被认为是解决这一问题的有效方法。去雾图像增强技术通常基于一个物理模型,以估计由于大气中的吸收和散射现象而导致光的损失程度。本文提出一种基于区域检测的神经网络模型,以分区块的方式学习有雾图像与媒介透射率之间的关系,然后使用媒介透射率图基于大气散射模型完成去雾操作,并增强去雾后图像的细节。模型主要由两个基础网络单元构成,并且可以以端到端的方式进行训练。一个网络单元是具有残差结构的网络模块,该单元可以减小深度网络的优化难度;另一个网络单元是具有级联跨通道池化结构的模块,该模块中融合多语义级别雾相关特征,并提高了在非线性领域的表达能力。此外,还开发了一个基于进化的细节增强方法来提高过度平滑结果的细节质量。通过合成图像与真实图像对比的实验结果表明,该方法在主观与客观评价标准上都达到了先进水平。此外,我们提出了基于区域神经网络模型的轻量级版本,能够保证在低功率设备上也具备一定程度的去雾效果。为了提高水下图像的视觉质量,我们提出一个水下图像增强模型,该模型同样可以实现端到端的训练。整个模型由两部分组成,第一部分是一个用于初步颜色平衡的非线性变换,第二部分是通道级别的精细化操作,以进一步处理之前得到的结果。所采用的神经网络是一个联合优化模型,该模型包含监督学习和无监督学习,其中监督学习用于标签值与预测值在像素值级别的对齐,而无监督学习则是为了进一步保证增强后的图像品质。实验结果表明,该模型可以很好的解决水下的图像偏色问题和由于光照条件有限而引起的颜色不饱和问题。