目標(biāo)檢測(cè)、識(shí)別、跟蹤等計(jì)算機(jī)視覺算法近些年來獲得了快速的發(fā)展,并被廣泛應(yīng)用于智能交通、公共安全和環(huán)境保護(hù)等領(lǐng)域的監(jiān)控系統(tǒng)中。然而,在戶外應(yīng)用場(chǎng)景下,特別是面對(duì)雨霧等惡劣天氣狀況時(shí),這類監(jiān)控系統(tǒng)常由于圖像降質(zhì)而功能失效。如何克服惡劣天氣的影響,提高圖像質(zhì)量,擴(kuò)展現(xiàn)有視覺系統(tǒng)的適用范圍是亟待解決的重要問題,具有重要的理論意義和使用價(jià)值。雖然現(xiàn)有的圖像清晰化方法取得了 一些富有成效的結(jié)果,但是在面對(duì)復(fù)雜的雨霧天氣是,這些算法仍然無法滿足對(duì)圖像修復(fù)質(zhì)量以及處理速度的要求,尤其在局部區(qū)域平滑和細(xì)節(jié)紋理保護(hù)的問題上,亟待更先進(jìn)的理論和技術(shù)方案被提出。除此之外,對(duì)于深度學(xué)習(xí)去雨方法,多個(gè)任務(wù)損失之間的協(xié)同作用與損失函數(shù)的魯棒性都是值得關(guān)注的研究方向。本文從以上問題入手,研究基于深度學(xué)習(xí)的單幅圖像去雨方法。具體地,本文在雨天圖像清晰化方面做了如下工作:（1）提出有別于現(xiàn)有方法的描述圖像質(zhì)量的多約束目標(biāo),通過對(duì)圖像內(nèi)容、邊緣、局部紋理自相似三方面進(jìn)行定量描述并設(shè)計(jì)相應(yīng)的約束損失,增強(qiáng)訓(xùn)練過程中對(duì)模型求解空間的緊性限制,從而降低預(yù)測(cè)圖像的模糊失真程度;（2）提出兩種動(dòng)態(tài)加權(quán)算法用于多任務(wù)系數(shù)設(shè)定,分別從梯... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．?１?—些現(xiàn)實(shí)生活中拍攝的物體清晰度受雨水影響的圖像??Ｆｉｇ．?２．１?Ｓｏｍｅ?ｒｅａｌ－ｗｏｒｌｄ?ｒａｉｎ?ａｆｆｅｃｔｓ?ｉｍａｇｅｓ?ｏｆ?ｏｂｊｅｃｔ?ｃｌａｒｉｔｙ??—２

?基于深度學(xué)習(xí)的自然場(chǎng)景下圖像去雨研究???務(wù)任務(wù)損失對(duì)共享卷積層的梯度范數(shù)１Ｔ，和所有任務(wù)損失??對(duì)共享卷積層的總梯度范數(shù)然后通過每一個(gè)任務(wù)的梯度范數(shù)與??總的梯度范數(shù)的比值確定每一個(gè)任務(wù)的權(quán)重系數(shù)。??３．３?多任務(wù)増強(qiáng)的圖像去雨模型??如圖３．１所示，本文的網(wǎng)絡(luò)架構(gòu)由兩個(gè)模塊組成：去雨網(wǎng)絡(luò)／？，和損失網(wǎng)絡(luò)＾。其??中，去雨網(wǎng)絡(luò)負(fù)貴將輸入的爾天圖像Ｏ轉(zhuǎn)換為清晰的去雨圖像６，形式化描述為??乂，，：０－＞６?，網(wǎng)絡(luò)中的跳躍連接［３Ｓ，５２Ｉ是為了讓網(wǎng)絡(luò)的訓(xùn)練更加容易，同時(shí)也是為了保持??信息流暢通。對(duì)于損失網(wǎng)絡(luò)，它將無雨的背景圖像厶和模型預(yù)測(cè)的去雨圖像Ｍ乍為輸入，??并輸出它們相應(yīng)的特征圖扒５）和利句，然后利用公式（３．４）計(jì)特征圖之間的距離。特別地，??本文不使用資源消耗量較大的預(yù)訓(xùn)練ＶＧＧ１６／１９網(wǎng)絡(luò)作為本文的損失網(wǎng)絡(luò)，而是使用一??個(gè)效率更高的淺層前向神經(jīng)網(wǎng)絡(luò)代替。下面本文將對(duì)各個(gè)子部分進(jìn)行詳細(xì)介紹。??ｃｈａｔｍｌｅ?ａｒｕｉｎｔｉｏｎ?ｍｏｄｕｌｅ?ｆ?＾??＾＝７｜?????Ｊ?ｌｌｌｌ：Ｆ?：?＊??：?．Ｑ－??Ｉｎｐｕｔ?Ｉｍａｇｅ?＾?■?Ｄｅ－ｒａｉｎｉｎｇ?ｉｍｓｇｅ?：?Ｇｒｏｕｎｄ?ｔｒｕｔｈ?：?（ｌ＾）??＂Ｌ—＿??????：?［＝？■—？?ｉ??圖３．１多任務(wù)增強(qiáng)去雨框架??Ｆｉｇ．?３．１?Ｏｖｅｒｖｉｅｗ?ｔｈｅ?ｐｉｐｅｌｉｎｅ?ｏｆ?ｐｒｏｐｏｓｅｄ?ｄｅ－ｒａｉｎｉｎｇ?ｎｅｔｗｏｒｋ??在圖像恢復(fù)任務(wù)中，通常都會(huì)在卷積網(wǎng)絡(luò)的初始幾層中應(yīng)用下采樣操作（例如最大??池化）降低輸入的空間分辨率以加快網(wǎng)絡(luò)的前向傳播速度。但是，常見的下

?大連海事大學(xué)碩士學(xué)位論文???Ｕ（Ｄ（Ｘ））?＝?Ｘ，?（３．８）??其中，ｆ／和Ｚ）分別表示亞像素卷積上采樣和逆亞像素卷積下采樣函數(shù)。如圖所示，逆??亞像素卷積可以將空間特征重新排列成通道以減小空間維度且不丟失信息，因此可以提??供充足的信息給后續(xù)的卷積層。??ｘ２?Ｄｅｓｕｂｐｉｘｅｌ??ｊ?１?????????ｎｌ——??：ｙ?．．?■－．；．：■?ｘ２?Ｓｕｂｐｉｘｅｌ?Ｌ????圖３．?２亞像素（ｓｕｂｐｉｘｅｌ）卷積與逆亞像素（ｄｅｓｕｂｐｉｘｅｌ）卷積??Ｆｉｇ．?３．２?Ｓｕｂｐｉｘｅｌ?ｕｐｓａｍｐｌｉｎｇ?ａｎｄ?ｄｅｓｕｂｐｉｘｅｌ?ｄｏｗｎｓａｍｐｌｉｎｇ??本文在圖３．３中展示了?２倍下采樣時(shí)，不同采樣方法當(dāng)前層中的每個(gè)神經(jīng)元對(duì)下一??層卷積的影響［？，并對(duì)其進(jìn)行了分析。圖中從左至右依次為步長為２的３Ｘ３卷積、２Ｘ??２的最大池化、雙線性插值以及逆亞像素卷積，圖中顏色越深表示影響越高。??Ｉ?｜?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｊ?￣｜?｜?Ｉ￣ｒ｜?］?１?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｒ￣￣＼?ｊ￣￣ｒ￣Ｉ?ｒ￣ｉ?￣ｎ??—二二－二－二二—ｔ」?Ｉ?＊?１?Ｉ??工二＝二］．?＝?［Ｚ二二二??土＝：：二．．Ｃ■■關(guān)］??：?ｒ－?ＩＩ?＾?ｐ＞－，ｐｆｒ?｜?Ｉ??ｉ?ｉｔ?ｎ?ｍ?Ｔｉｉ?ｍ?ｉ?ｉ?ｉｉ?１１?ｌ?．．．．?ｊ?１１?１??Ｃｏｎｖ?３?ｘ?３，?／２?２ｘ２?Ｍａｘ?ｐｏｏｌｉｎｇ?Ｂｉｌｉｎｅａｒ?ｘ２?ｄｃｓｕｂｐｉｘｅｌ??圖３．?３不同下采樣方法對(duì)下一層卷積的影響??Ｆｉｇ．?３．３?Ｅ

【參考文獻(xiàn)】：
期刊論文
[1]視頻圖像去雨技術(shù)研究進(jìn)展[J]. 周浦城,周遠(yuǎn),韓裕生.  圖學(xué)學(xué)報(bào). 2017(05)



本文編號(hào)：3219405