受大氣散射影響,序列交通圖像的細(xì)節(jié)特征損失較大,圖像像素較低,為此提出基于深度學(xué)習(xí)的序列交通圖像去霧方法。根據(jù)霧化圖像表達(dá)式和相同大氣密度下光線載體傳輸圖定義式,構(gòu)建大氣散射模型,運用該模型獲取圖像特征序列。利用深度學(xué)習(xí)自編碼網(wǎng)絡(luò)中的網(wǎng)絡(luò)層,建立輸出定義式與特征損失函數(shù)式,在樣本中引入圖像特征序列,得到特征塊序列,依據(jù)霧特征圖和散射率的非線性映射關(guān)系獲取散射率圖。采用修正函數(shù)調(diào)整卷積層輸出像素值為正,將局部塊代入自編碼網(wǎng)絡(luò),并添加特征塊序列至卷積神經(jīng)網(wǎng)絡(luò)的輸入層,對輸出的散射率圖進(jìn)行導(dǎo)向濾波處理,實現(xiàn)序列圖像霧特征的去除。仿真結(jié)果表明,去霧后圖像的細(xì)節(jié)特征更加突出,大幅度提升了圖像的對比度。 

【文章來源】：計算機仿真. 2020,37(10)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

霧化圖像生成示意圖

圖像散射率估算的關(guān)鍵環(huán)節(jié)主要包括部分極大飽和度、顏色衰減、暗通道[6]等霧特征的提取,由于人工特征提取法存在費時費力的弊端,因此,基于大氣散射模型在無監(jiān)督學(xué)習(xí)的模式下,運用自編碼網(wǎng)絡(luò)提取霧特征。自編碼網(wǎng)絡(luò)主要用來解決圖像的噪聲抑制問題,有利于目標(biāo)區(qū)域內(nèi)主要細(xì)節(jié)特征的提取,下圖為自編碼網(wǎng)絡(luò)框架圖。上圖顯示,自編碼網(wǎng)絡(luò)的組成部分共有四層:輸入層與輸出層各有一個,隱含層則含有兩個。設(shè)定r×r、k1×k1、k2×k2、r′×r′分別為對應(yīng)層的神經(jīng)元個數(shù),且從原則上應(yīng)滿足k1<r、k2<r′。

將隨機森林利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行替換,在監(jiān)督學(xué)習(xí)的模式下,獲取特征圖和散射率圖的映射關(guān)系。依據(jù)得到的特征圖序列與模型參數(shù),取得場景散射率圖。下圖所示為創(chuàng)建的卷積神經(jīng)網(wǎng)絡(luò)框架。圖中顯示,該網(wǎng)絡(luò)共由七層構(gòu)成:第一層為輸入層;第二層通過多尺度的平行卷積處理,完成多尺度的圖像特征提取;從第三層開始進(jìn)入到過渡層,串行四個單尺度的卷積處理,并在卷積后應(yīng)用ReLU函數(shù)實施調(diào)整;第七層則通過全連接,對單通道圖進(jìn)行輸出,輸出的圖像尺寸與初始圖像完全相同。

【參考文獻(xiàn)】：
期刊論文
[1]基于金字塔池化網(wǎng)絡(luò)的道路場景深度估計方法[J]. 周武杰,潘婷,顧鵬笠,翟治年.  電子與信息學(xué)報. 2019(10)
[2]端到端深度圖像分割網(wǎng)絡(luò)中抑制無效率學(xué)習(xí)的目標(biāo)損失函數(shù)設(shè)計[J]. 葉靖雯,吳曉峰.  微電子學(xué)與計算機. 2019(09)
[3]基于暗通道和多正則化約束的圖像去霧方法[J]. 舒巧玲,吳傳生,劉文.  計算機工程與設(shè)計. 2019(07)
[4]圖像分類卷積神經(jīng)網(wǎng)絡(luò)的反饋損失計算方法改進(jìn)[J]. 周非,李陽,范馨月.  小型微型計算機系統(tǒng). 2019(07)
[5]基于光學(xué)厚度代理模型的霧濃度估計及圖像去霧[J]. 李春明,姜雨彤,宋海平,紀(jì)超,郭猛,朱琳.  兵工學(xué)報. 2019(07)
[6]基于強度反轉(zhuǎn)和變分Retinex模型的圖像去霧方法[J]. 顧振飛,張登銀,袁小燕,張照鋒,孔令民,單祝鵬.  電子器件. 2019(03)
[7]基于滾動導(dǎo)向濾波和混合多尺度分解的紅外與可見光圖像融合方法[J]. 趙程,黃永東.  激光與光電子學(xué)進(jìn)展. 2019(14)
[8]基于暗通道圖像質(zhì)心偏移量的去霧算法[J]. 蘇暢,畢國玲,金龍旭,聶婷,梁懷丹.  光學(xué)學(xué)報. 2019(05)
[9]室外視頻監(jiān)控中霧塵圖像自動增強方法仿真[J]. 程欣宇.  計算機仿真. 2018(10)
[10]基于視覺顏色感知—光學(xué)相似的圖像去霧方法[J]. 趙雪青,師昕.  計算機應(yīng)用研究. 2019(09)



本文編號：3536069