基于深度学习模型与联合优化的单幅图像去雾算法研究

摘要

恢复有雾图像下潜在的清晰图像具有很大的研究意义和应用背景。一方面，在计算机视觉中，很多问题如目标检测、行人识别等，都默认待处理的图像或视频帧是清晰的。然而由于大气中雾的存在，拍摄所得的图像并不是十分理想，这给一些视觉问题的处理带来很大困难。另一方面，近些年来，图像去雾问题也获得了研究者们的广泛关注。其在许多领域，例如军事领域，交通领域，艺术领域等，都有着广泛的应用。 早先的一些图像去雾方法通常将场景的透射率和清晰图像分开估计，即先估计透射率和大气光，然后通过有雾图像的大气模型估计清晰的无雾图像。如果透射率估计不准确，最后恢复的图像质量也会不高。此外，一些基于卷积神经网络（CNN）的深度学习方法也被用于图像去雾。这类方法运用深度学习强大的先验拟合能力，由有雾图像直接估计透射率，进而恢复清晰图像，取得了不错的去雾效果。然而它们估计的透射率严重依赖原图像的白平衡。 相较于此，本文提出了一个残差型的卷积神经网络用于透射率精细化而不是传统的透射率估计。得益于提出网络的残差学习能力，我们利用半二次分离技术，将这个网络插入到一个优化问题的求解过程中，通过在一个框架中联合估计透射率和清晰图像，最终不断提高两者的求解精度。 本文总结了近些年来一些主流的图像去雾方法，包括基于暗通道先验的图像去雾方法、基于深度学习的图像去雾方法以及基于优化的图像去雾方法，分析了各自的优缺点。在此基础上，介绍了深度学习以及联合优化的相关知识，引出本文提出的基于深度学习和联合优化的去雾方法。最后在合成图像以及真实世界中的图像上进行了大量实验，结果表明本文提出的去雾算法取得的效果与现今许多一流的算法相当。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 本文贡献

1.4 本文的主要内容及章节安排

2 单幅图像的去雾算法

2.1 大气光散射模型

2.2 基于暗通道的单幅图像去雾算法

2.2.1 暗通道

2.2.2 去雾过程

2.3 基于深度学习的单幅图像去雾算法

2.3.1 去雾网络结构

2.3.2 数据集构建

2.4 基于梯度残差最小化的单幅图像去雾算法

2.4.1 精细化策略

2.4.2 去雾模型

2.5 章节小结

3 深度学习基础和半二次变量分离技术

3.1 深度学习方法

3.1.1 为什么要加深网络

3.1.2 深度学习中的一些技巧

3.1.3 残差网络（ResNet）的介绍

3.2 半二次变量分离技术

4 基于联合优化与深度学习模型的去雾算法

4.1 透射率精细化的残差网络

4.2 联合优化去雾模型

4.3 实验部分

4.3.1 训练数据和参数设置

4.3.2 合成数据上的定量分析

4.3.3 真实数据上的定性分析

4.3.4 迭代的影响

结论

本文的主要工作及结论

本文进一步的工作

参考文献

攻读硕士学位期间发表学术论文情况

致谢