论文部分内容阅读
随着现代工业的发展,环境中的各种废气,汽车尾气以及生活燃气的排放量大大增加。众所周知,在中国西南地区的秋冬季节容易出现多雾天气。在多雾天气状况下,大气中漂浮的颗粒例如灰尘和烟雾会大量吸收和散射光线,进而导致各种采集图像质量的下降。图像质量的降低可能会影响许多计算机视觉系统的性能。图像去雾的主要任务是消除雾霾天气和环境污染对图像质量的影响。当前迫切需要开发一种能够实时去雾和提高图像质量的算法及相关应用。然而现有的图像去雾算法存在着特征提取困难、滤波效率低和在大面积天空区域的户外图像上的去雾效果较差等问题。为了确保图像的良好的去雾效果,本文首先分析了雾天图像退化的机理,然后将卷积神经网络与大气光散射模型结合起来建立了图像去雾模型;其次有针对地对模型进行了优化,通过这个模型成功地恢复出无雾图像;最后选取RESIDE大型数据集进行实验,通过图像的主观和客观评价方式都证明了所提出的方法比现有方法具有更好的性能。本文主要研究内容如下。(1)为解决现有的传统手工去雾算法的特征提取困难问题,本文采用Dehazenet网络特殊设计的三层卷积神经网络结构来提取雾霾特征,达到了比较好的效果。(2)针对现有去雾算法滤波效率低的问题,本文采用几种保持边缘平滑的流行算法之一的快速导向滤波算法对透射率图进行后处理。将滤波计算的时间复杂度从(46)(N)降低到O(N/S~2),优化了去雾时间。(3)针对现有的算法在具有大面积天空区域的户外图像上去雾效果较差的问题,本文采用暗通道先验算法的改进版本,在估算大气光时采用按通道分别估计的方法。该方法解决了在具有大面积天空区域的户外图像上的除雾难题,对比实验证明,本文的算法获得的去雾效果更好。(4)为了将所改进的算法实现到具体应用中,本文设计了GUI界面用于显示输入的有雾图像和去雾后的图像,以及此改进算法的客观评价指标,包括峰值信噪比PSNR和平均结构相似性SSIM。经过一系列的实验证明本文提出的算法具有一定的优越性,解决了目前单幅图像去雾计算的许多难题,使去雾后的图像能够直接应用到进一步的图像处理工作中。