论文部分内容阅读
雾在大自然场景中是一种很常见的现象,导致图像质量变差。在图像处理领域,经过图像捕捉设备获得的图像或视频往往带有噪声,而雾就是一种噪声。它会使图像变得更加模糊,让部分图像信息丢失。类似于这种图像降质的情况数不胜数,例如相机拍摄的户外场景图、遥感卫星拍摄的遥感地图、医学摄影设备在体内拍摄的医用图像以及水下摄像机在水底拍摄的图片等。因此,图像去雾在机器视觉、智能交通、医疗图像、遥感卫星、水下勘测等实际应用中有着重要研究意义。图像去雾也是一种图像增强技术,在对图像进行去雾处理后,可获得更佳的视觉效果,在图形计算或后期的处理上,去雾过后的图像能获得更多的细节。图像去雾为特征提取、模式识别等科学研究提供更多信息。目前科研界的图像去雾算法分为传统先验和基于学习两大类,传统先验算法需要的优势在于拥有强有力的理论推导和数学归纳来支持该算法,但是其实际效果在许多场景下失效,有些在雾浓度较多的场景不适用,有些在白色区域较多的场景效果差;基于学习的算法在特征的选取上不够准确,部分算法会把与去雾不相关的特征加到学习模型中去,导致特征冗余,且基于学习的算法需要大量的数据来支撑其模型,导致算法效率得不到提升。基于以上未解决的问题,本文提出了两种去雾方法,其两个创新点如下。其一,对于传统算法在白色区域较多或者雾较浓的场景中不适用等问题,本文提出了一种基于二阶段特征图像去雾算法。经过研习已有算法的特征,综合它们的优缺点,本文算法选取有雾图像的一阶段特征,在此基础上对它们进行滤波,得出二阶段的特征。通过观察,在有雾图像和无雾图像中,前者的饱和度要比后者的低,在RGB空间中,无雾图像的某个通道的值会比起其他两个通道的值要低,有雾图的这个最小值相比无雾图要大很多。且根据人类视觉习惯,往往很容易分辨出图像中的雾块,而盖博特征符合人类视觉观测的图像特征。基于以上观察,本文提取输入图像的饱和度、最小通道、最大通道、以及该图5个不同波长8个不同方向的盖博特征,以这43维特征作为第一阶段的特征。其次,在第一阶段特征图的基础上,以滤波的形式,提取每个窗口的最大值、最小值、均值、方差、偏度、峰度、高斯等特征作为第二阶段的特征,这些特征包含(43*7)维。在这些特征中,例如均值、方差等,在雾浓度较大的图像上表现出来的数值差异也很大,更高阶的特征例如偏度、峰度等对雾的变化则更为敏感。这些特征随着雾浓度的变化,特征数值的变化比较显著,非常有利于模型朝着求解方向学习。将这些特征图组与透射率图进行映射,使用数学模型建模,得出透射率预测模型。最后使用预测出来的透射率图进行最后的操作得出无雾图。其二,对于学习的去雾算法,大部分用于图像去雾的网络模型都比较单一,且网络结构较深,网络的层数越多意味着所需要的参数更多,这将会导致处理机器的负载更大,图像去雾的成本更高,导致去雾效率较传统算法提升不大。大部分用于去雾的网络框架没有结合特征图的全局信息,使透射率图映射不准确。因此,本文提出了一种基于注意力机制全卷积网络学习的去雾算法。因为全卷积网络适用于图像分割,在本文中,透射率图的预测也是一种场景深度图分割问题,因此全卷积网络结构正适用于本文的研究工作。除此之外,为了使卷积层的全局信息在模型训练中起到作用,本文所提出的全卷积网络结构中还加入了一种注意力机制模块,用来提取每一层卷积层的全局信息。经过对有雾图的特征进行研究分析,第一种方法所选取的特征能很好的表征透射率与它们的关系,并且在实验中,对多种场合下的场景图进行了对比,都得出了很好的效果。通过对原有的全卷积网络进行改进,本文设计出来用于去雾的全卷积网络模型能有效解决深层网络所带来的问题。在实验中,通过对比其他深度学习去雾算法,得出该算法在去雾效果上大部分都优于其它算法,具有参数小、硬件要求低、速度快等优点。