【摘 要】
：
雾霾天气下,由于空气中存在大量漂浮着的粒子,光线传播过程中与这些悬浮粒子相互作用,使得光线发生散射,最终到达成像设备的场景光信息受损。所以拍摄得到的图像存在对比度较低、清晰度低、细节丢失等问题,影响后续对图像的进一步处理应用。因此,对有雾图像进行去雾工作,使其能够应用于高级别的图像处理任务。本文基于深度学习对单幅图像去雾算法进行了研究,主要工作如下:（1）针对基于深度学习的非端到端图像去雾算法对模
论文部分内容阅读
雾霾天气下,由于空气中存在大量漂浮着的粒子,光线传播过程中与这些悬浮粒子相互作用,使得光线发生散射,最终到达成像设备的场景光信息受损。所以拍摄得到的图像存在对比度较低、清晰度低、细节丢失等问题,影响后续对图像的进一步处理应用。因此,对有雾图像进行去雾工作,使其能够应用于高级别的图像处理任务。本文基于深度学习对单幅图像去雾算法进行了研究,主要工作如下:（1）针对基于深度学习的非端到端图像去雾算法对模型参数估计不准确的问题,以及当前基于深度学习的端到端图像去雾算法图像空间信息保留的问题,本文提出一种基于高分辨率网络（High-Resolution Net,HRNet）的单幅图像去雾模型De HRNet。De HRNet分为多个分支,不同分支间的分辨率不同,分辨率不同的分支并行连接且在每个阶段的末尾进行多尺度融合。本文在原网络的基础上增加了一个新的阶段,使其更好地用于图像去雾工作。新增阶段通过上采样收集网络所有分支的特征图表示以增强高分辨率表示,而不是仅采用高分辨率分支的特征图,这使得恢复的无雾图像更加自然,具有重要意义。实验结果表明De HRNet对有雾图像有明显的去雾效果。（2）针对基于深度学习的端到端去雾网络模型参数过多,且在雾浓度分布不均匀情况下的存在去雾过度或去雾不彻底的问题,本文基于深度跨尺度融合网络（Deep Cross-scale Fusion Network,DCSFN）提出一种轻量级的图像去雾模型Light-DCSFN。Light-DCSFN将原网络中的普通标准卷积使用深度可分离卷积进行替代,并通过网络来预测输入有雾图像的雾浓度图,而不是通过网络直接获取无雾图像,以解决雾浓度分布不均匀情况下的去雾问题。同时,为了更好的提取雾浓度特征以及避免恢复的无雾图像产生颜色失真的问题,在原网络的前面新加一个颜色特征提取模块,首先分割得到输入有雾图像的RGB三通道图像,然后输入到新加的模块,用于提取不同通道间的颜色浅层特征。实验结果表明Light-DCSFN不仅对有雾图像有明显的去雾效果且单幅图像去雾时间较短。（3）针对目前对于图像去雾工作很少与实际生活相结合的问题同时对Light-DCSFN去雾模型的去雾效果作进一步检测,本文提出一个能够同时在晴天和雾天天气下使用的车牌识别系统,并基于暗通道先验知识提出一种判断图像是否有雾的方法。该系统分为判断图像是否有雾模块、图像去雾模块、车牌定位模块和车牌字符识别模块,用于晴天和雾天天气下的车牌识别工作。
其他文献
随着移动互联网的快速发展,移动网络流量呈现爆炸式增长,用户的服务请求带来了边缘服务资源能力不足以及用户不能及时获取相应服务的问题。同时,现有的边缘服务资源的分配技术已不能满足移动网络中的用户需求。为了解决这些问题,一种可行的方案就是提高网络中边缘服务资源能力。一般地,可以增加可提供边缘服务的运营商个数。本着这种思路,边缘服务资源能力得到了一定提升。但是现有的运营商的边缘服务资源定价策略和分配策略还
随着室内环境中基于位置的服务需求的快速增长,Wi-Fi信号指纹定位（以下简称指纹定位）作为一种主流的室内定位技术,凭借其简单的系统设备与较高的定位精度,正受到越来越多研究者的关注。构建指纹库的质量与数量对整个指纹定位系统有着至关重要的影响。目前,众多研究仍然使用接收信号强度（Received Signal Strength,RSS）构建指纹库,这种指纹库精度低,区域划分粒度大,无法满足高精度的定位
随着科技发展,基于位置信息的应用服务充斥在人们的日常生活中。而这些应用服务都需要定位技术的支撑,这使得关于定位的研究越发的受到关注。同时,第五代移动通信（Fifthgeneration mobile communication,5G）的相关技术也开始与定位技术进行广泛的融合。目前,室外定位精度已基本满足用户的需求,而实现室内高精度定位仍具有比较严重的挑战。随着5G系统的标准化与应用,5G基站将会被
在5G网络时代,业务需求和应用场景逐渐多样化,如果运营商为不同的业务创建不同的专用网络是不现实的,建设、运营和维护的成本会很高,网络运营商在收益和网络资源分配方面面对巨大挑战。因此,如何合理分配网络资源并改善网络运营商的收益将具有重要的研究意义。针对这一问题,本文提出基于对网络服务提供商的资源需求进行分析学习的网络资源分配技术,通过对网络资源的合理定价,优化网络运营商的收益,并以价格为杠杆达到合理
近年来随着脑科学与计算机技术的不断发展,脑机接口作为新型人机交互技术逐步成为社会界与学术界的热门话题。从最初仅在医疗与科学领域的应用,到近来的商业民用化,再到未来连接元宇宙虚拟世界的畅想,脑机接口技术正快速进入到人们的日常生活中,尤其在残障人士的肢体恢复与改善、人员行动辅助与补充等场景下具有广阔的应用前景。本课题使用便携式单导脑电波采集设备,主要利用脑电伪迹信号特征,在低成本、低功耗嵌入式处理器平
随着移动业务的快速发展,计算、存储和电池资源有限的用户设备已经无法满足高复杂度和高能耗服务的需求。移动边缘计算（Mobile Edge Computing,MEC）通过将计算、存储和服务功能迁移到网络边缘,使得用户设备可以将任务卸载到边缘服务器,从而减少用户设备任务的完成时延与能耗。如何进行高效的卸载决策和资源分配以降低任务的完成时延与能耗已成为重要的研究课题。本文对异构蜂窝网络中用户任务卸载以及
随着移动网络技术的发展和广泛应用,无线网络不仅需要满足海量移动数据的使用以及高速率,同时还要提高服务质量,因此网络的高效管控是一个巨大的难题。传统网络的管控需要大量的人力物力,且效率也是一个问题。数字孪生技术使物理空间与虚拟空间相互交互,综合利用感知、运算、模型等技术,并利用软件定义,对物理空间实现了描述、诊断、预测、决策。可以为现代网络的管控提供的强大的技术支持。针对这些问题,本文深入研究了5G
作为应对移动互联网和海量物联网日益增长的接入需求最具前途的技术之一,非正交多址接入（Non-Orthogonal Multiple Access,NOMA）技术近年来受到了积极的关注。与传统的正交多址接入（Orthogonal Multiple Access,OMA）技术相比,NOMA系统具有更高的频谱效率、更快的传输速率以及保障更多的用户接入。NOMA主动引入用户间的干扰,其高频谱效率是通过增加
智能反射面（intelligent reflecting surface,IRS）是一种新兴的,很有前途的B5G（6G）无线通信技术。它是由大量无源的或者有源的反射元件组成的大型二维阵列,可以通过改变信号的相位和幅度改善信号传输的环境,减少信道干扰。毫米波属于甚高频段,单跳通信距离较短,因此多跳的接力通信是毫米波通信的研究前景。IRS可以有效地控制信号的传递途径,包括相位,振幅,频率甚至偏振,而无
大数据时代,充足的训练数据给机器学习带来了巨大的性能提升。大量的数据也意味着需要大量的人工标注,然而人工标注往往耗时耗力,这催生了迁移学习（Transfer learning,简称TL）的发展。迁移学习旨在借助相关源域的知识辅助目标域学习,以解决目标域数据或标记稀缺的问题。域适应（Domain Adaptation,简称DA）学习是迁移学习中的重要研究方向。域适应方法通常利用基于距离或者对抗的方式