【摘 要】
：
在沙尘天气条件下,受大气中悬浮微粒对入射光的吸收和散射作用影响,户外计算机视觉系统采集的图像通常存在颜色失真泛黄、对比度下降、细节信息丢失等问题,严重影响其在视频监控、视频导航和智能交通应用中的性能。针对以上问题,本文围绕基于深度学习的沙尘图像色彩恢复与增强方法展开研究,具体工作及所取得成果如下:（1）针对难以获取成对沙尘图像及其对应清晰图像作为深度学习训练样本的问题,提出一种基于物理成像模型的沙
论文部分内容阅读
在沙尘天气条件下,受大气中悬浮微粒对入射光的吸收和散射作用影响,户外计算机视觉系统采集的图像通常存在颜色失真泛黄、对比度下降、细节信息丢失等问题,严重影响其在视频监控、视频导航和智能交通应用中的性能。针对以上问题,本文围绕基于深度学习的沙尘图像色彩恢复与增强方法展开研究,具体工作及所取得成果如下:（1）针对难以获取成对沙尘图像及其对应清晰图像作为深度学习训练样本的问题,提出一种基于物理成像模型的沙尘图像合成方法。根据沙尘图像的成像特性,即沙尘颗粒会吸收和散射光线从而发生衰减,并且不同颜色的光的衰减程度不同,本文选取15种接近沙尘图像颜色的色号,模拟出15种不同条件下的沙尘图像,最终构建了一个清晰图像和沙尘图像配对的大规模数据集。实验结果表明,该方法合成的沙尘图像可以对深度学习网络进行训练和评估。相关工作已投稿于《中国图象图形学报》,已录用。（2）针对现有传统沙尘图像增强方法存在细节模糊、伪影和颜色失真等问题,提出一种基于卷积神经网络的沙尘图像色彩恢复与增强方法。首先,针对沙尘图像颜色泛黄失真问题,基于灰度世界理论,构建了一个沙尘图像色彩恢复子网,对沙尘图像的颜色进行恢复校正。然后,针对细节模糊等问题,采用自适应实例归一化残差块,构建了一个去尘增强子网,并将色彩恢复子网的结果图像作为条件,输入到由自适应实例归一化残差块组成的去尘增强子网中,对沙尘图像进行增强处理。此外,还引入感知损失进一步约束恢复图像的细节和语义信息。采用合成图像和真实图像对该方法性能进行了验证,实验结果表明,与现有方法相比,该方法在合成图像上得到了最高的平均PSNR和平均SSIM,分别为18.7057和0.6695。相关工作已投稿于《中国图象图形学报》,已录用。（3）针对现有的基于卷积神经网络的图像增强方法只能保证输出图像与标签图像在像素级上很相似,容易丢失图像细节信息,进而影响增强图像清晰度等问题,提出一种基于生成对抗网络的沙尘图像色彩恢复与增强方法。其基本框架由两个生成网络和一个判别网络组成。首先,采用第一个生成网络恢复输入沙尘图像的颜色,然后将色彩恢复的图像作为第二个生成网络的输入图像,使用第二个生成网络去除图像中的沙尘。在判别网络中,使用基于块的判别网络学习结构上的损失,利用判别网络区分真实沙尘图像和高质量清晰图像,使增强图像能够学习高质量清晰图像域的特征。实验结果证明,生成对抗网络的加入可以使真实沙尘图像的增强结果在颜色、对比度和亮度等方面更加接近真实清晰图像。
其他文献
科学研究和实际应用中的许多问题可以转化为优化问题,而这些优化问题有一部分是多模态的,即在求解区域内同时具有多个全局最优解点.如何有效的一次性求出全部最优解点一直是多模态优化领域研究的热点问题。本文以多模态优化问题为主要研究对象,基于差分进化算法及小生境思想对多模态优化问题进行了深入地分析和研究,提出了两个求解多模态优化问题和一个求解约束多模态优化问题的有效算法.主要研究工作有以下几个方面.（1）针
许多科学研究和工程实践中的优化问题涉及计算代价昂贵的仿真,如何有效地解决这类高代价的优化问题仍然是一个巨大的挑战。近年来,基于代理模型的演化算法得到了广泛的研究,被认为具有解决此类优化问题的潜力。针对传统的基于代理模型的演化算法在求解高代价优化问题时代理模型的可靠性较差、演化算法的求解效率较低以及离线数据驱动的演化算法求解精度较差等问题,本文提出三种基于代理模型的粒子群优化算法,主要研究内容如下:
群智能算法作为优化技术的一种新手段,具有求解速度快,不受实际问题维数与连续性限制等优点,因此对群智能算法的研究,深受国内外众多学者的青睐。猴群算法是模仿猴子爬山过程的新型群智能算法,更新过程操作简易,适应于求解高维数的优化问题。为了进一步提升猴群算法的优化性能,本论文给出了对其改进的两种方案,并且将其应用于求解背包问题。1.提出了基于Levy飞行的广义反向猴群算法,并利用所提出的算法求解折扣{0-
哈里斯鹰优化算法（HHO）是模拟鹰群捕食和追捕行为的一种群智能算法,存在着计算精度不高、易陷入局部最优和难以平衡探索与开发等不足。本文提出了两种改进的HHO算法,并将其应用于工程约束优化、数据聚类中;建立了两种基于改进HHO的灰色预测模型,用于电力预测和新型冠状病毒肺炎累计人数预测问题中,拓展了 HHO算法的应用领域。具体研究内容如下:（1）提出了随机无迹Sigma点变异的哈里斯鹰优化算法（IHH
图像恢复是图像处理和计算机视觉领域重要研究内容。在低照、雾霾等条件下,户外计算机视觉系统所采集图像通常会遭受严重的退化,如低亮度、低对比度、细节丢失等,严重影响其在户外计算机视觉系统中的应用。因此对户外计算机视觉系统在低照、雾霾等条件下采集图像进行增强和复原,具有非常重要的意义。本文聚焦于低照/雾霾图像增强和复原的深度学习方法研究,所开展主要工作及取得成果包括:（1）针对传统低照图像增强方法对噪声
近年来,为了缓解高强度交通需求,地铁成为大多数通勤者的首选出行方式,精准的客流预测可以帮助乘客提前选择合理的乘车方案。本文围绕郑州市一年内的客流数据进行深入分析,主要研究工作如下:（1）总结地铁客流的分布规律和时间,针对SVR（Support Vector Machine）模型参数难选取、特征选择不准确的困难,提出基于多目标优化算法（MOEA:Many-objective Optimization
随着信息化时代的到来,人们接收的信息不再是单一的语音信号,更多的是图像信号,这是人类进行信息传播和交流的主要途径。但是图像信息在传输的过程中会受到各种噪声的干扰,噪声会使图像细节丢失、图像模糊,因此,图像去噪一直是研究热点。目前己经有大量的图像去噪算法被提出来,取得了较好的效果。然而,在去除噪声的同时保持图像更多的边缘细节特征依旧是图像去噪问题的研究关键。本文针对此问题,从保留图像的边缘细节特征出
频繁子图模式学习的精确算法的计算主要集中在子图同构测试上,但子图同构已经被证明为NP完全问题;近似算法避免了子图同构测试,但准确率较低。带容量约束的路径路由问题是一类由图演变的组合优化问题。在求解与图结构有关的组合优化问题时,存在大量与解特征有关的模式信息,这些模式信息对求解产生重要影响。针对以上问题,本文主要工作包括:（1）研究了一种改进的频繁子图模式学习算法。在所提算法中,采用固定大小节点采样