深度學(xué)習(xí)在計(jì)算機(jī)視覺上的成功應(yīng)用,使得現(xiàn)在很多方法將深度學(xué)習(xí)應(yīng)用在惡劣天氣復(fù)原任務(wù)上,比如說去雨,去霧,去雪,去沙塵等任務(wù)。然而目前幾乎所有的算法都只能對(duì)某一種特定的天氣進(jìn)行復(fù)原,而無法使用統(tǒng)一算法來針對(duì)多種惡劣天氣進(jìn)行復(fù)原。這導(dǎo)致了在實(shí)際惡劣天氣復(fù)原算法的部署過程中,都只能先使用一個(gè)前端算法來判別天氣的類型,再選擇某一種特定的后端算法對(duì)該天氣進(jìn)行復(fù)原。這類部署的主要問題有兩個(gè):第一,因?yàn)閷?duì)每種天氣都必須部署一個(gè)特定算法,所以所需要的參數(shù)量比較大;第二,惡劣天氣復(fù)原的效果會(huì)很大程度上依賴于前端算法對(duì)于天氣判別的質(zhì)量,然而在實(shí)際實(shí)現(xiàn)當(dāng)中,本文發(fā)現(xiàn)天氣判別的質(zhì)量并不理想,也就是說這個(gè)前端算法的質(zhì)量問題會(huì)很大影響最終惡劣天氣復(fù)原的結(jié)果。針對(duì)目前學(xué)術(shù)與工業(yè)界,還沒有通用的惡劣天氣復(fù)原方法。本文旨在設(shè)計(jì)一種基于深度學(xué)習(xí)的,對(duì)于多種惡劣天氣都適用的算法。這樣不僅能夠減少部署的參數(shù)量,也能夠減少前端算法惡劣天氣辨別的錯(cuò)誤所導(dǎo)致的圖像復(fù)原效果不佳的問題。首先,針對(duì)目前沙塵天氣與雪天標(biāo)注數(shù)據(jù)不足的問題,本文利用聚類的方法證明了沙塵天氣與霧天,雪天與雨天的特征相似性,為通過神經(jīng)網(wǎng)絡(luò)的泛化性構(gòu)建統(tǒng)一的惡劣天... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-2粒子散射示意圖

空氣光傳播示意圖

K-means聚類示意圖[14]


本文編號(hào)：3076685