基于卷积神经网络的图像去雾方法研究

雾霾会降低图像质量。提升雾天图像质量,有着迫切的现实需求和广阔的应用前景。本文分析了雾天图像退化的机理,介绍了图像去雾的物理模型。基于深度学习技术,建立了雾气图像和相应透射图的映射关系模型;最后基于大气散射模型,根据透射图复原出无雾图像。本文具体研究内容如下:1.基于多尺度卷积神经网络模型的图像去雾方法。为了提高卷积神经网络在图像处理上的特征学习能力,使用三种不同尺度的卷积神经网络组来构建透射图像预测的深度学习模型。首先基于Alex Net模型改进得到第一组CNN,然后增加两组不同尺度的CNNs,并通过这三组不同尺度的卷积神经网络逐步优化得到更精确的雾气图像的透射图,最后使用大气散射模型得到无雾图像。2.基于暗通道特征卷积神经网络模型的图像去雾方法。受到暗通道优先图像去雾算法启发,设计出基于暗通道特征的卷积网络模型。其主要思想是利用Maxout非线性激活函数模拟的极值滤波器从输入图像中提取暗通道特征,再进行三组不同尺度的并行卷积,然后进行池化和非线性激活,最后通过改进的网络模型预测出雾气图像的透射图,并根据物理大气散射模型复原得到无雾图像。3.原型系统设计与实现。根据实际应用需求,针对以上两种图像去雾模型,设计并实现了基于深度学习的图像去雾系统。测试结果表明,该系统能够较好地实现图像去雾功能。