论文部分内容阅读
在大雾频发的水面场景下,光线由于水汽的影响而导致散射,使得采集的图像对比度、颜色等特征发生改变,形成雾天降质图像。水面雾天降质图像对于轮船航行、渔船捕捞、船体识别等应用场景具有限制作用,因此设计出合适的算法对水面图像进行去雾具有重要的科研意义和实用价值。但是现有的去雾方法都是基于陆地场景设计的,专门针对水面图像去雾问题的研究较少。同时,合理的去雾图像质量评估方法对去雾工作也有着重要的推动作用,而目前在图像去雾中所使用的质量评估方法并不能很好的评价图像质量。针对以上两点,本文的具体研究工作如下:首先针对现有去雾数据集的不足,提出了一个面向水面图像去雾任务的数据集Hazy Water Dataset。该数据集中包括了大规模真实的非对称训练数据和两个分别用于定性与定量评估的测试集,其中非对称训练数据是指图像内容不成对的有雾和无雾图像。通过对DCP等9种图像去雾算法进行实验对比,发现现有的基于陆地场景设计的去雾方法并不适用于水面场景。其次针对Hazy Water Dataset数据非对称的特点,提出了一个基于Cycle GAN的水面图像去雾算法W-Dehaze GAN。W-Dehaze GAN使用两个生成器和两个判别器实现从有雾图像到无雾图像的转换。在生成器中使用的缩放卷积能够有效的提高图像生成的质量。损失函数为对抗损失、循环一致性损失和感知损失,其中感知损失能够从高级语义角度约束图像的生成质量。实验结果表明,本文提出的WDehaze GAN在真实图像和合成图像上的去雾效果都优于其他去雾算法。再次针对去雾图像质量评估标准存在的不足,提出了一个基于深度学习的无参考去雾图像质量评估算法。该算法首先使用MSCN系数对输入图像进行亮度归一化,再输入到VGG-16的卷积层中提取特征,最后再使用全连接层回归到一个质量评估数值。该算法将自然图像统计量与深度学习相结合完成图像质量评估工作。实验表明所提出的去雾图像质量评估算法的测试结果与主观得分具有高度一致性,优于传统的质量评估方法。最后本文针对水面去雾和去雾图像的质量评估存在的不足分别提出了一个有效的方法,并设计与实现了单幅水面图像去雾与评估系统。该系统将本文中提出的水面图像去雾算法和去雾图像质量评估算法封装成一个操作便捷的可执行软件。