霧霾天氣下拍攝的照片往往出現(xiàn)圖像模糊、細(xì)節(jié)丟失等問題,這不僅降低了圖片的清晰度,還嚴(yán)重影響后期對圖像的深度處理。使用圖像去霧算法能夠減少甚至消除霧霾對圖像的影響,從而恢復(fù)出更清晰、更準(zhǔn)確、細(xì)節(jié)更豐富的無霧圖像。本文基于深度學(xué)習(xí)對圖像去霧算法進(jìn)行深入研究,主要工作如下:(1)針對基于深度學(xué)習(xí)的去霧算法受到合成數(shù)據(jù)集的限制,導(dǎo)致去霧算法出現(xiàn)場景泛化能力差、深度細(xì)節(jié)丟失等問題,本文提出一種基于改進(jìn)的特征融合Cycle GAN的去霧算法。首先,在生成器網(wǎng)絡(luò)中引入改進(jìn)的殘差密集塊代替卷積模塊,有效地提取有霧圖像中不同感受野下的特征信息;其次,針對實(shí)際場景中霧霾分布的復(fù)雜性,在網(wǎng)絡(luò)的跳層連接中引入一種結(jié)合注意力機(jī)制的特征融合結(jié)構(gòu),將每個(gè)區(qū)域的淺層特征與深層特征進(jìn)行拼接融合,提高生成圖片的分辨率和細(xì)節(jié)信息;最后,為了提高生成無霧圖像的質(zhì)量,引入感知損失來增強(qiáng)提取特征的細(xì)節(jié)信息,使得生成的無霧圖像更加真實(shí)。實(shí)驗(yàn)結(jié)果表明,所提去霧算法能夠在真實(shí)場景中有較好的去霧效果。(2)針對基于卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧算法未能充分利用有霧圖像的特征信息,導(dǎo)致去霧后的圖像存在紋理模糊的問題,本文提出一種基于多尺度殘差注意...

【文章頁數(shù)】：73 頁

【部分圖文】：

圖4.5本章網(wǎng)絡(luò)的訓(xùn)練過程中的loss曲線結(jié)果圖

圖4.5本章網(wǎng)絡(luò)的訓(xùn)練過程中的loss曲線結(jié)果圖4.3在自然圖像上去霧結(jié)果的比較了驗(yàn)證本章算法的有效性，這一節(jié)將在自然圖像上與其他去霧算法做對自然圖像上的去霧結(jié)果對比結(jié)果如圖4.6。霧圖ATMBCCRDCPGPRDehazeNet本章

圖1-1論文結(jié)構(gòu)關(guān)系圖

華南理工大學(xué)碩士學(xué)位論文8圖1-1論文結(jié)構(gòu)關(guān)系圖第一章：緒論。主要介紹了圖像去霧的研究背景及研究意義，然后從基于圖像增強(qiáng)、圖像復(fù)原和機(jī)器學(xué)習(xí)三個(gè)層面討論了圖像去霧的研究發(fā)展與現(xiàn)狀，最后總結(jié)了本文的研究內(nèi)容和章節(jié)安排。第二章：圖像去霧與卷積神經(jīng)網(wǎng)絡(luò)理論基矗首先介紹了有霧圖像成像的大....

圖2-1霧天環(huán)境物體成像過程

第二章圖像去霧與卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)9第二章圖像去霧與卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)圖像去霧是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向，具有廣泛的應(yīng)用前景。本章首先介紹了有霧圖像產(chǎn)生的原理，接著講述卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的常用模塊，重點(diǎn)描述了最新的基于深度學(xué)習(xí)的單幅圖像去霧算法，最后介紹常用的....

圖2-2卷積層的操作示例

第二章圖像去霧與卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)11訓(xùn)練所選取的樣本數(shù)（batchsize）的大小，表示通道數(shù)，和分別表示卷積核的寬和高的大小，常見的卷積核的寬和高相等，大小一般為1×1、3×3、5×5以及7×7等。圖2-2卷積層的操作示例圖2-2的示例展示了卷積層的操作過程。假設(shè)待處理的輸....

本文編號：3950440