改进AOD-Net的端到端图像去雾实验研究_马学条.pdf
《改进AOD-Net的端到端图像去雾实验研究_马学条.pdf》由会员分享,可在线阅读,更多相关《改进AOD-Net的端到端图像去雾实验研究_马学条.pdf(6页珍藏版)》请在咨信网上搜索。
1、 第 卷 第 期 年 月:改进 的端到端图像去雾实验研究马 学 条(杭州电子科技大学 电子信息学院,杭州)摘要:针对传统数字图像去雾算法容易受到先验知识制约、参数估计困难等问题,提出了一种基于改进 的端到端图像去雾算法。从网络结构和损失函数两部分对 算法进行优化;采用高斯图像金字塔模型设计了包含 个尺度图像的网络结构,提升去雾图像的边缘细节质量;综合视觉感受设计了包含 损失函数和均方差损失函数的混合损失函数,提升去雾图像的亮度和对比度。实验结果表明,改进 算法在图像去雾的主观视觉效果和客观数值结果上,相比较其他经典去雾算法均有着更好表现。关键词:图像去雾;网络结构;损失函数中图分类号:.文献标
2、志码:文章编号:()(,):,:;收稿日期:基金项目:杭州电子科技大学高教改革重点项目()作者简介:马学条(),男,浙江温州人,硕士,高级实验师,研究方向为嵌入式系统设计与应用。:;:引 言常用的图像去雾算法有基于对比度增强、基于物理模型和基于卷积神经网络等。基于对比度增强的去雾算法和基于物理模型的去雾算法,两种传统数字图像去雾算法比较依赖参数的估计,并且无法调用硬件设备进行算法加速,当图像尺寸较大、样本数量较多时,图像去雾处理效率会显著下降。基于变形大气散射模型的快速去雾网络,是一种使用卷积神经网络构建的端到端的图像去雾模型,通过将大气散射模型需要分别计算的大气光值和投射率整合为一个中间未知
3、量,简化了去雾模型,大幅度提升了去雾的处理速度,但是该算法进行去雾处理时容易出现图像色调丢失和图像偏暗等现象。随着深度学习在图像处理领域的快速发展,卷积神经 第 期马学条:改进 的端到端图像去雾实验研究网络凭借高效的特征提取效率,使其在图像去雾领域得到了广泛的应用。本文针对 去雾图的细节信息丢失问题,提出一种基于改进 的端到端图像去雾算法,从网络结构和损失函两个方面对算法进行了改良,拟有效提升了雾图细节的处理能力。图像去雾数学模型.雾天图像大气散射模型 提出的大气散射模型由入射光衰减模型()和 大 气 光 成 像 模 型()两部分组成。()入射光衰减模型()()式中:为入射光在距离为 的地方的
4、光照强度;为场景深度;为单位体积内大气中的微粒对光线散射的能力,即散射系数。()大气光成像模型()()式中,表示大气光值,通常是全局上的常量。大气光值模型也为有雾图像的成像退化模型,其表达式为 个衰减模型的总和,即:()()()式中,为有雾图像素点个数。为方便,定义(),(),(),可得:()()()()()式中:()为有雾图像;()为待恢复的无雾图像;()为投射率。.去雾模型将式()进行变形整理,得到待恢复的无雾图像表达式为()()()()()将式()中的大气光值和投射率整合为 个中间未知量,定义为 值估计模型,其表达式为()()()()()()()式中,为常数偏置,默认值为。根据大气散射模
5、型原理,将估计得到的()代入式(),可得清晰无雾图片生成模型()()()()去雾模型算法由 值估计模型和清晰无雾气图片生成模型 部分组成,算法的去雾框架如图 所示。值估计模型的网络结构由 个卷积层和 个连接层组成,如图 所示。图 去雾框架图 值估计模型的网络结构 值估计模型中,卷积层采用不同大小的卷积核来获取图像特征,每个卷积层都使用了 个卷积核。为了将不同卷积层获取到的特征相结合,网络结构在不同的卷积层间加入了连接层。第 个连接层将第 个和第 个卷积层提取到的特征相结合,第 个连接层将第 个和第 个卷积层提取到的特征相结合,第 个连接层将第 个、第 个、第 个和第 个卷积层提取到的特征相结合
6、。网络模型利用连接层实现了从低层特征到高层特征的平滑转换,又补偿了在卷积过程中的信息损失。改进 去雾算法.多尺度网络结构设计 算法采用单尺度的网络结构进行特征提取,对图像的纹理和细节恢复程度较差。本文采用高斯图像金字塔模型设计了 个尺度图像的网络结构,提升去雾图像的边缘细节质量,使其更加符合人眼视觉感受,改进 多尺度网络结构如图 所示。多尺度网络结构中将原尺度输入图片 进行 次下采样操作,获得 倍下采样图片 和 倍下采样图片,、的尺寸分别为 、。将 输入到小尺度网络结构的 值估计模型得到该尺度的特征图,结合无雾图片生成模型提取该尺度的无雾图。将 进行 倍上采样,恢复至与中尺度网络结构输入图一致
7、的尺寸,将恢复后的 与 进行通道合并后输入到中尺度网络结构的 值估计模型,类似操作得到无雾图。最后,将进行 倍上采样 的与 合并输入到大尺度网络结第 卷图 改进 多尺度网络结构构,获得最终的无雾图。由于小尺度、中尺度的输出图会合并到中尺度、大尺度 值估计模型的输入端,因此这 个尺度网络结构的输入通道数为。.损失函数设计常见的损失函数一般是基于 和 进行设计,它们也被称为 和。损失函数是比较像素差异后将像素相减取绝对值,损失函数是比较像素差异后将对应像素相减取平均值,损失函数和 损失函数的表达式分别为:()()()()()()|()式中:为图像块;为图像块中的像素点;为图像块中的像素数;()表示
8、生成的无雾图的像素值;()表示有雾图的像素值。本文 在 设 计 网 络 损 失 函 数 时 将 结 构 相 似 性(,)的差异值作为损失函数的一部分加入网络训练。由于 值是越大越好,因此取 的值作为损失函数,其损失函数表达式为()()()由于损失函数通常配合卷积网络使用,因此计算损失函数时只需要计算中央像素的损失,其表达式为()()()式中,为图像块的中央像素。本文设计了包含 损失函数和 损失函数的混合损失函数,表达式为 ()()式中:为损失函数的权重系数;为像素的高斯分布系数。实验结果及分析.评价指标()评价指标。是衡量 幅图像相似度的指标,其指标越大代表对比图的 个指标越接近标准清晰图。给
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 AOD Net 端到端 图像 实验 研究 马学条
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。