雾天环境感知与去雾技术研究
室外成像结果易于受到天气影响叠加不同程度的雾气，有雾图像往往呈现出对比度下降，图像模糊、饱和度差、泛白等现象，使得后续进一步的算法处理受到负面影响。本文主要研究与有雾图像相关的雾浓度评价、雾浓度自动感知以及图像去雾三方面内容。在雾浓度评估方法中本文改进了传统的无参考图像质量评价使其对有雾图像具有更加拟合人眼评价的评价效果。针对雾浓度自动感知方法，本文提出了基于目标检测置信度分布的特征提取方式以及局部有雾特征提取方式。对于图像去雾方法则提出了一种依赖大气散射模型的神经网络框架，该框架用于解决当前直接端到端的去雾网络需要过多网络设计的问题。本文的具体内容如下: (1)针对有雾图片的人眼主观评价方法 为了模拟人眼对雾浓度的主观评价结果，本文构建了针对不同有雾图片的人眼主观评价数据库。对于主观评价模型的建立，本文针对有雾图片扩展了传统归一化亮度系数特征，使用小波变换提取特征提取后的细节系数能量作为最终提取特征，最后通过支持向量回归拟合采集的人眼主观评价分数，结果显示该方法相比传统的BRISQUE及NIQE方法与人眼评价分数具有更高的SROCC和PLCC相关性。 (2)雾天环境下雾浓度感知技术研究 本文研究了有雾图片中与雾浓度相关的特征提取方式，包含像素级特征、局部区域特征以及目标检测网络提取的多目标置信度分布特征，为了估计室外场景雾浓度，本文以图像帧序列作为研究目标，基于置信度及局部核全局的雾浓度相关特征提取，通过支持向量机多分类模型实现了室外场景雾浓度估计，该模型对于5级雾浓度具有89.96%的识别精确度。 (3)基于生成网络的图像去雾方法研究 本文结合传统方法中常用的大气散射模型以及卷积神经网络中的生成模型开展图像去雾技术研究。总体架构分为两段式，以resnet50为骨干网络并使用deeplabv3+网络结构实现由有雾图像到散射模型中深度图的端到端估计，通过简单的卷积网络实现有雾图像大气光的估计过程，最终将整个模型设计为生成对抗网络的结构并实现完整的图像去雾网络。在O-haze数据集上达到19.7的PSNR和0.83的SSIM分数。
图像去雾;支持向量机;雾浓度估计;神经网络;目标检测
长春工业大学
硕士
计算机技术
张丽娟;梅桂久
2022
中文
TP391.41
2022-10-13（万方平台首次上网日期，不代表论文的发表时间）