隨著人工智能技術和數(shù)據(jù)科學的快速發(fā)展,近年來越來越多的基于計算機視覺的任務如交通監(jiān)控、天網(wǎng)安防、目標檢測等都對輸入圖像的清晰度有著更高的要求。然而受大氣中懸浮顆粒、汽水等影響,攝像頭采集到的的圖像通常會因為霧霾變得模糊、能見度下降或者改變顏色,低質量的圖片嚴重地降低了各種智能信息處理系統(tǒng)的性能。因此,對霧霾圖像進行去霧處理在計算機視覺領域具有非常重要的意義。但是圖像去霧是計算機視覺中的不確定問題,現(xiàn)有的基于先驗知識的的去霧算法性能強烈的依賴于圖像先驗的準確性,而目前基于深度學習的去霧算法性能也不夠穩(wěn)定。本文根據(jù)霧霾成像模型,對單幅圖像的去霧算法進行研究,針對目前不同類別的去霧算法存在的局限性,提出了一種新的端到端單幅圖像去霧算法,該算法可以同時學習透射圖,大氣光值和去霧。本文提出了一個兩階段的網(wǎng)絡:一個基于霧霾成像模型的聯(lián)合去霧網(wǎng)絡,另一個是基于條件生成對抗網(wǎng)絡的精修網(wǎng)絡。通過將霧霾成像模型直接嵌入到網(wǎng)絡中來實現(xiàn)第一階段的學習,從而確保所提出的方法嚴格遵循物理的散射模型進行除霧。對于第二階段,本文提出了一個條件生成對抗網(wǎng)絡（cGAN,Conditional Generative Adv... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

霧霾成像模型的變量，從左到右分別為霧霾圖像、場景輻射圖像、透射圖像

青島大學碩士學位論文8t是霧霾圖像I的透明或透射圖像，t(x)是[0,1]中的標量。直觀地說，當t(x)=0時，表示圖像完全模糊或者不透明。當t(x)=1時，表示圖像沒有霧霾或者完全清晰。當0<t(x)<1時，表示圖像是半透明的見圖2.1。A是大氣光值，它是一個三維RGB向量量，通常假定為空間常數(shù)。A通常被認為是大氣、地平線或天空的顏色。圖2.1霧霾成像模型的變量，從左到右分別為霧霾圖像、場景輻射圖像、透射圖像霧霾成像模型的物理視圖如圖2.2所示，霧霾是由大氣中的粒子吸收和散射光形成的。在式2-(1)中J(x)t(x)的專業(yè)術語被稱為直接衰減。來自物體反射的光一部分被大氣中的粒子吸收并發(fā)生衰減。透射率t是不衰減并到達觀察者的光占物體上反射的光的比值。A(1t(x))被稱為空氣光。大氣中的粒子散射它們所吸收的光，漂浮在大氣中形成了大量的微小光源，空氣光就是由這些微小光源造成的。注意到，模型中直接衰減是乘性影響，而空氣光則是加性的。圖2.2霧霾成像模型宏觀物理圖像煙、霧等大氣現(xiàn)象都是由于大氣中的粒子，如灰塵、沙子、水滴或冰晶而形成的。在氣象學中，所有這些現(xiàn)象形成的不同主要在于其中的顆粒材料、尺寸、形狀

青島大學碩士學位論文10其中假設t是均勻的，所以忽略t的梯度。由于t在[0,1]范圍內，I會比J校從而導致可見度降低，物體更加困難地被識別。而能見度的降低是由于直接衰減部分J(x)t(x)造成的，或者說是由于乘性影響t。第二個退化是由于空氣光引起的色度位移。色度描述的是色彩而不是亮度，其表示的是RGB顏色空間中顏色向量的方向。由霧霾成像方程2-(1)可知向量I(x)是兩個向量J(x)和A的線性組合如圖2.3所示。由于A的增加導致向量I(x)和J(x)不在同一方向：即圖像的色度被移動。通常大氣是白色或灰色的，所以一個霧霾的圖像顯得趨于灰色且不那么生動。圖2.3顏色向量I是RGB空間中J和A的線性組合總之，乘法衰減降低了圖像能見度，加性空氣光改變了圖像色度，霧霾給許多計算機視覺的應用都帶來了麻煩。能見度的降低影響了物體的探測和識別，降低了室外監(jiān)控系統(tǒng)的可靠性，使衛(wèi)星圖像變得模糊。在普通攝影中，霧霾改變了圖像的顏色，減少了照片的對比度。即使是更高級別的攝像機或更好的鏡頭也無法避免這種圖像的退化，因為其發(fā)生在到達圖像采集設備之前的大氣中。因此，在計算機視覺領域中圖像去除霧霾是必須的。2.2.3不確定性問題上文已經(jīng)對霧霾成像模型進行了描述，去除霧霾的目標為：給定輸入的霧霾圖像I，恢復場景輻射圖像J。通常還需要恢復t和A。接下來本文作出解釋為什么這個問題在數(shù)學上是不確定的。假設將圖像中的像素數(shù)表示為N，如果輸入I是RGB彩色圖像，有3N個方程：


本文編號：3043933