本文選題：天氣分類 + 圖像去霧��； 參考：《北京郵電大學(xué)》2017年博士論文

【摘要】：智能監(jiān)控系統(tǒng)是一種重要的監(jiān)控手段,在公共安全、社會維穩(wěn)、智能交通、環(huán)境保護(hù)等方面具有重要的實(shí)用意義�，F(xiàn)有的智能監(jiān)控系統(tǒng)已經(jīng)能夠執(zhí)行目標(biāo)識別、跟蹤等任務(wù),但在實(shí)際場景中,面對雨、雪、霧等惡劣天氣狀況時,監(jiān)控系統(tǒng)難以發(fā)揮作用。因此,如何克服惡劣天氣的影響,實(shí)現(xiàn)對室外場景的全天候監(jiān)控是亟待解決的重要問題。本文以解決上述問題為目標(biāo),研究圖像中天氣的分類與受惡劣天氣影響的低質(zhì)圖像增強(qiáng)相關(guān)技術(shù)。本文的主要貢獻(xiàn)如下:(1)針對任意場景的天氣分類問題,提出了一種基于多種特征融合的單幅圖像中多類天氣分類方法。傳統(tǒng)的圖像天氣分類工作大部分是針對單一場景的兩類天氣分類,無法擴(kuò)展到任意場景和多類天氣分類任務(wù)。此外,邊緣、角點(diǎn)、方向梯度直方圖等圖像分類任務(wù)常用的特征無法區(qū)分圖像中的天氣。為了克服這些缺陷,我們設(shè)計(jì)天空特征、地面陰影特征、暗通道金字塔特征、基于模板匹配的雨線特征和雪花噪聲特征等區(qū)分天氣性能較強(qiáng)的特征,并通過多核學(xué)習(xí)算法對這些特征進(jìn)行選擇與融合。此外,我們收集大量圖像,并構(gòu)建了一個多類天氣圖像數(shù)據(jù)集,為相關(guān)研究提供測試的基礎(chǔ)。實(shí)驗(yàn)結(jié)果表明我們提出的方法能夠顯著地提高圖像中多種天氣分類的準(zhǔn)確率。(2)針對單幅圖像中霧的去除問題,提出了一種基于對比度增強(qiáng)的去霧算法。傳統(tǒng)的圖像去霧工作通�；诟鞣N假設(shè)或先驗(yàn)知識,對于不符合假設(shè)或先驗(yàn)知識的圖像處理的效果不好,并且由于不考慮圖像中霧的濃度,導(dǎo)致對于輕霧圖像的過度去除及重霧圖像的去除不足等問題。為了克服這些缺陷,我們將空氣質(zhì)量數(shù)據(jù)作為圖像的標(biāo)簽,提取功率譜、對比度、飽和度等圖像光學(xué)特征,并通過構(gòu)造支持向量機(jī)分類器,對圖像中霧的濃度等級進(jìn)行分類。然后,構(gòu)造圖像的對比度損失函數(shù)與信息損失函數(shù),并通過最小化兩個損失函數(shù),對圖像進(jìn)行去霧。為了自適應(yīng)地去除不同濃度的霧,我們根據(jù)上一步驟得到的霧的濃度等級,來約束兩個損失函數(shù)的權(quán)重。在大量真實(shí)圖像上的實(shí)驗(yàn)結(jié)果表明,本文的方法對圖像去霧的效果有明顯的提升。(3)針對單幅圖像中雨的去除問題,提出了一種基于暗通道引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的去雨算法。通過對大量真實(shí)圖像的觀察,我們發(fā)現(xiàn)下雨的同時往往伴隨著霧或水汽,而傳統(tǒng)的工作大多數(shù)都忽略了這一現(xiàn)象,因此導(dǎo)致去雨的結(jié)果不能令人滿意。為了克服這一缺陷,我們提出一種雨霧混合的非線性雨圖模型,設(shè)計(jì)了一種多任務(wù)的卷積神經(jīng)網(wǎng)絡(luò),通過優(yōu)化色彩損失函數(shù)和暗通道損失函數(shù),實(shí)現(xiàn)對雨和霧的同步去除。其中,色彩損失函數(shù)通過最小化輸出圖像與參考圖像的色彩通道誤差,實(shí)現(xiàn)對去雨結(jié)果的優(yōu)化;暗通道損失函數(shù)通過最小化輸出暗通道圖像與參考暗通道圖像的深度誤差,實(shí)現(xiàn)對去霧結(jié)果的優(yōu)化�；谟觎F混合雨圖模型,我們合成大量的有雨圖像,構(gòu)建了 Rain700數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明本文所提出方法的去雨效果在主觀視覺效果、客觀評價指標(biāo)及時間開銷上都明顯優(yōu)于現(xiàn)有其它方法。
[Abstract]:Intelligent monitoring system is an important monitoring method , which has important practical significance in public safety , social stability , intelligent transportation and environmental protection . In order to overcome these defects , we propose a kind of multi - task convolution neural network . In order to overcome these defects , we propose a multi - task convolution neural network . In order to overcome these defects , we propose a multi - task convolution neural network . In order to overcome these defects , we propose a multi - task convolution neural network . In order to overcome these defects , we propose a multi - task convolution neural network .
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 趙旭東;面向移動目標(biāo)檢測的天氣場景建模方法[D];哈爾濱工業(yè)大學(xué);2012年

，

本文編號：2001026