這篇具有很好參考價值的文章主要介紹了畢業(yè)設(shè)計-基于深度學(xué)習(xí)的圖像去霧算法。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。
目錄
前言
課題背景和意義
實現(xiàn)技術(shù)思路
實現(xiàn)效果圖樣例
前言
? ? ??大四是整個大學(xué)期間最忙碌的時光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計耗費大量精力。近幾年各個學(xué)校要求的畢設(shè)項目越來越難,有不少課題是研究生級別難度的,對本科同學(xué)來說是充滿挑戰(zhàn)。為幫助大家順利通過和節(jié)省時間與精力投入到更重要的就業(yè)和考試中去,學(xué)長分享優(yōu)質(zhì)的選題經(jīng)驗和畢設(shè)項目與技術(shù)思路。
??對畢設(shè)有任何疑問都可以問學(xué)長哦!
選題指導(dǎo):?https://blog.csdn.net/qq_37340229/article/details/128243277
大家好,這里是海浪學(xué)長畢設(shè)專題,本次分享的課題是
??基于深度學(xué)習(xí)的圖像去霧算法
課題背景和意義
由于霧霾天氣下大氣顆粒的散射作用，通過視頻和圖像采集系統(tǒng)獲取的圖像通?？梢姸容^低，將嚴(yán)重影響計算機視覺系統(tǒng)后續(xù)的目標(biāo)識別、目標(biāo)追蹤等功能。目前，圖像去霧算法可分為傳統(tǒng)去霧算法和基于深度學(xué)習(xí)的去霧算法。傳統(tǒng)去霧算法一般采用圖像增強方式對有霧圖像進行對比度增強，或采用先驗理論來估計有霧圖像的透射率值和大氣光照值，再通過大氣散射模型恢復(fù)無霧圖像。基于深度學(xué)習(xí)的去霧算法一般基于有霧圖像的先驗信息進行建模，再通過有監(jiān)督學(xué)習(xí)方式或無監(jiān)督學(xué)習(xí)方式來估計有霧圖像的透射率圖或無霧圖，泛化性較強，運算效率更高。在如今的信息化時代背景下，圖像越來越成為人類觀察周圍真實世界信息的重要媒介。人類通過開發(fā)各種不同的采集設(shè)備和系統(tǒng)可以獲取各種不同場景下的圖像。圖像作為人類感知世界的視覺基礎(chǔ)，是人類獲取信息、表達信息和傳遞信息的重要方式。通過對獲取到的圖像進行去霧、分割和識別等處理，可以將圖像中蘊藏的信息應(yīng)用到醫(yī)學(xué)研究、交通出行、航空航天以及軍事安全等領(lǐng)域。
實現(xiàn)技術(shù)思路
日常生活中，在惡劣的霧霾天氣下，由于空氣質(zhì)量差，導(dǎo)致能見度降低，將嚴(yán)重影響交通出行、航空航天和軍事安全等方面。在交通出行方面，使用清晰度低的圖像對目標(biāo)檢測、道路監(jiān)控以及車輛疏導(dǎo)等系統(tǒng)將會造成嚴(yán)重的影響，顯著降低系統(tǒng)的使用價值。
一、基于圖像增強的去霧算法
基于直方圖均衡化的圖像去霧算法
直方圖均衡化算法(
Histogram Equalization
，
HE
)是基于圖像增強的去霧算法中的重要一
類算法，
HE
算法改善有霧圖像對比度低的方式是使用全局均衡化或局部均衡化算法將圖像的
灰度范圍擴大，從而提高圖像的對比度來實現(xiàn)圖像去霧的效果。
HE
算法的一般如下： 設(shè)為原有霧圖像的灰度級， 為經(jīng)過HE
算法處理后的圖像灰度級，通過對灰度級和進行歸一化。
基于同態(tài)濾波的圖像去霧算法
同態(tài)濾波算法是以照射反射模型為基礎(chǔ)，將圖像分為照射分量和反射分量，照射分量變化緩慢是圖像的低頻部分，反射分量變化較快是圖像的高頻部分。同態(tài)濾波算法通過減少低頻信息增加高頻信息，從而減少光照變化并銳化有霧圖像細(xì)節(jié)來實現(xiàn)圖像去霧的效果。
基于 Retinex 理論的圖像去霧算法
基于
Retinex
理論的圖像去霧算法目前的研究現(xiàn)狀，
Retinex
圖像去霧算法基于
色彩恒常性理論。
將有霧圖像S ?
(x ,y )表示成反射分量R （x ，y）和亮度分量L （x，y）的乘積形式：
二、基于大氣散射模型的去霧算法
基于暗通道先驗理論的圖像去霧算法(DCP
)
和基于邊界約束和上下文正則化的圖像去霧算法
(
BCCR)
基于大氣散射模型對霧天圖像的成像過程進行建模，具體地，有霧圖像可以表示成如下形式：
基于暗通道先驗的圖像去霧算法
通過分析總結(jié)無霧圖像的特征，提出了經(jīng)典的暗通道先驗理論。暗通道先驗理論中提到：在晴朗天氣下，室外拍攝的大多數(shù)清晰圖像，在除去圖像的天空區(qū)域后，RGB 圖像中至少存在一個通道中有強度很低趨于 0 的像素值。因此，任意一幅清晰的圖像J（x）,可以表示成如下形式：
其中，Jc為清晰圖像 J x( ) 中 RGB 顏色空間某一顏色通道的圖像，Ω（x )為圖像J （x?)中以像素x為中心的某一鄰域。
基于邊界約束和上下文正則化的圖像去霧算法
提出了一種有效的正則化算法(BCCR)來實現(xiàn)單幅圖像去霧。該算法受益于對傳遞函數(shù)固有邊界約束的探索。BCCR 算法的創(chuàng)新點在于使用邊界約束估計透射率，并增加上下文正則化來優(yōu)化透射率。通過 BCCR 算法進行圖像去霧可以較好地恢復(fù)圖像中的細(xì)節(jié)信息。根據(jù)大氣散射模型公式：
通過從大氣光照
A到
I (
x)的線性外推來恢復(fù)無霧圖像 。邊界約束的示意圖：
?三、基于深度學(xué)習(xí)的去霧算法
基于卷積網(wǎng)絡(luò) DehazeNet 的圖像去霧算法
]
基于傳統(tǒng)去霧算法中的先驗特征，首次提出構(gòu)建卷積網(wǎng)絡(luò)模型
DehazeNet
來
實現(xiàn)單幅圖像去霧，并提出新的激勵函數(shù)雙邊糾正線性單元。
DehazeNet
模型的輸入為有霧圖
像，輸出為有霧圖像對應(yīng)的透射率圖。
1
）輸入層和特征提取層： DehazeNet 模型的輸入層是尺寸為16×16的有霧圖像塊。DehazeNet
模型采用卷積層
+
激活層的結(jié)構(gòu)來實現(xiàn)輸入圖像塊的特征提取。
2）多尺度映射層和局部極值層：
在
DehazeNet
模型中，為充分提取輸入特征圖中不同范圍感受野的霧霾特征，用不同卷積核大小的卷積層構(gòu)建多尺度映射層。
3）非線性回歸層和輸出層：
在非線性回歸層，
DehazeNet
中采用新的雙邊糾正線性單元，該單元不僅能夠保證對雙邊進行修正，還可以保證局部的線性。
基于多尺度卷積網(wǎng)絡(luò) MSCNN 的圖像去霧算法?
通過
DehazeNet
得到的透射率并未細(xì)化，針對該問題，
設(shè)計了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)模型
MSCNN
用于圖像去霧。
MSCNN
模型由粗尺度卷積網(wǎng)絡(luò)和細(xì)尺度卷積網(wǎng)絡(luò)組成，網(wǎng)絡(luò)的輸入為有霧圖像，輸出為輸入圖像對應(yīng)的透射率圖。
（
1）粗尺度卷積神經(jīng)網(wǎng)絡(luò)：
粗尺度卷積神經(jīng)網(wǎng)絡(luò)的任務(wù)是預(yù)測場景的整體透射率圖。粗尺度卷積神經(jīng)網(wǎng)絡(luò)由多尺度卷積層、池化層、上采樣層以及線性連接層組成。
（2）細(xì)尺度卷積神經(jīng)網(wǎng)絡(luò)：
細(xì)尺度卷積神經(jīng)網(wǎng)絡(luò)的任務(wù)是細(xì)化上述粗尺度卷積神經(jīng)網(wǎng)絡(luò)輸出的粗略透射率圖，通過將有霧圖像和粗略透射率圖輸入細(xì)尺度卷積神經(jīng)網(wǎng)絡(luò)，可以得到更加準(zhǔn)確的透射率圖。基于多合一卷積網(wǎng)絡(luò) AOD-Net 的圖像去霧算法
基于多合一卷積網(wǎng)絡(luò) AOD-Net 的圖像去霧算法
分析了兩種具有代表性的非端到端的卷積神經(jīng)網(wǎng)絡(luò)模型DehazeNet
和
MSCNN
，這兩種模型均基于先驗知識構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)有霧圖像中物體背景和大氣光接近時，可能會導(dǎo)致估計的大氣光照值出現(xiàn)誤差。并且，通過單獨估計兩個未知參數(shù)透射率值和大氣光照值，再將兩個參數(shù)的估計值代入大氣散射模型中可能會進一步增大誤差，影響去霧的效果。為解決該問題，
提出首個端到端的卷積神經(jīng)網(wǎng)絡(luò)模型AOD-Net 用于圖像去霧，
AOD-Net 模型的輸出即為去霧后的清晰圖像，并且無需單獨估計透射率值和大氣光照值。到變換后的公式如下：
將輸入圖像的透射率值和大氣光照值進行合并，可以得到：
AOD-Net
模型將多個級聯(lián)的卷積層、全連接層進行組合構(gòu)建端到端的去霧模型，得到的輸出為透射率和大氣光照的合并值K （x?)，再將K （x?)代入公式
，即可得到去霧后的無霧清晰圖像。圖 2.7
所示為
AOD-Net
算法實現(xiàn)框架圖。
實現(xiàn)效果圖樣例
以下分別是CLAHE 算法處理后的圖像在物體邊緣處出現(xiàn)明顯的塊效應(yīng)。同態(tài)濾波算法處理后的圖像比較明亮，對物體邊緣的處理效果不錯，但對圖像中心區(qū)域的去霧效果不佳。MSRCR 算法
處理后的圖像出現(xiàn)明顯的顏色失真，圖像部分區(qū)域的顏色過深。
?DCP 算法
處理后的圖像顏色偏暗，并且天空區(qū)域出現(xiàn)顏色失真，
?
BCCR 算法
處理后的圖像在天空區(qū)域同樣出現(xiàn)顏色失真，天空區(qū)域過度曝光，并且圖像中心區(qū)域的去霧效果不均勻。DehazeNet
算法
、
MSCNN
算法
和
AOD-Net 算法
處理后的圖像比較符合人眼視覺感知，其中
AOD-Net
算法對圖像中心區(qū)域去霧的效果更明顯，但是顏色較暗。
我是海浪學(xué)長,創(chuàng)作不易,歡迎點贊、關(guān)注、收藏、留言。文章來源：http://www.zghlxwxcb.cn/news/detail-784689.html
畢設(shè)幫助，疑難解答，歡迎打擾！文章來源地址http://www.zghlxwxcb.cn/news/detail-784689.html
最后
到了這里，關(guān)于畢業(yè)設(shè)計-基于深度學(xué)習(xí)的圖像去霧算法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請注明出處： 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經(jīng)查實，立即刪除！
