动态感受野特征选择去雾网络

基于深度学习的去雾模型大多在网络参数固定后，感受野也就随之固定。这导致去雾网络无法针对每个具体的场景采用最优的模式进行去雾，从而造成结果中存在模糊和失真。针对这些问题，文中提出动态感受野特征选择去雾网络。该网络以带有空洞卷积的特征注意力空洞模块为基础组件，并行使用多个空洞率不同的特征注意力空洞模块来提取多尺度特征，并进行动态特征融合，构成动态感受野模块。文中将多个动态感受野模块搭配残差连接组成深度网络，对不同层次的特征进行动态混合，最终解码得到去雾图像。实验结果表明，文中所提算法对室内和室外的合成雾图以及真实含雾图像均具有良好的去雾效果，可以生成清晰、自然的去雾图像。     

多尺度CNN与高频信息融合的图像去雾算法

针对现有去雾算法在恢复图像边缘区域效果不佳以及存在薄雾残留等问题,本文提出了一种基于多尺度卷积神经网络(CNN)与高频信息融合的图像去雾算法(HF-MSNet),采用拉普拉斯算子分离高频信息作为额外先验,用于提高图像细节恢复。首先,采用多尺度CNN作为主干网络,提取图像的主要纹理特征;其次,采用高频特征融合分支对高频信息逐阶段地提炼,并融合了通道注意力模块,使用注意力机制对不重要的特征进行约束;最后,采用高频注意力模块对全局特征自适应地筛选,整合高频特征和纹理特征的分布,得到目标的无雾图像。实验结果表明,本文的算法可以生成更自然真实的去雾图像,并在峰值信噪比(PSNR)、结构相似度(SSIM)两种指标上都达到了理想的效果。     

基于改进AOD-Net网络模型的车载图像去雾方法

基于现有去雾算法存在去雾效果不佳和去雾效率低等问题,提出了一种改进AOD-Net网络模型。首先对输入图像进行随机噪声添加,提高图像模型去雾鲁棒性。接着对不同尺度的卷积核进行多线程处理,同时将图像中的特征信息提取,然后利用注意力机制进行权重分配,采集图像中的纹理信息和细腻化特征信息,提升图像的质量。最后对提取的特征信息利用AOD-Net模型的前两层卷积进行二次特征提取,估计出联合参数,输出去雾后的图像。实验结果表明,采用本算法得到的第一组和第二组图像峰值信噪比分别为20.05和16.92,结构相似性分别为0.85和0.83,IE熵值分别为7.48和7.75,各项数值均有提升,图像去雾效果更好,证明了本算法的有效性。     

基于非局部先验的雾线优化图像去雾算法

针对非局部先验去雾算法中雾线端点像素位置精确度不足的问题,提出了雾线优化的非局部先验图像去雾算法。首先分析雾线理论,结合暗通道理论确定最大聚类雾线真实端点,以其为已知条件补偿小聚类雾线端点与大气光之间的距离,根据类内不同像素与雾线对应夹角预估单个像素雾线端点进而求得像素级优化后的透射率,最后根据图像局部灰度值差异融合暗通道先验(dark channel prior, DCP)和非局部先验透射率得最终透射率图。将本文算法与其余3种去雾算法在多幅户外雾图下通过主观及客观两方面分析比较,实验结果表明该算法能取得更好的去雾效果,尤其在天空区域图像复原效果较为突出。     

基于暗原色优化算法的去雾研究

针对基于传统的暗原色先验去雾算法中,由于某些场景下的雾天图像存在大面积明亮区域无法满足暗原色先验的假设,导致去雾效果不佳。文中就此问题提出了一种改进的去雾算法,基于McCartnet的理论建立大气散射模型,根据暗通道理论粗略估计透射率,之后引入容差参数并设置阈值,重新计算明亮区域的透射率,从而实现对明亮区域透射率的自校正。针对于复原图像色彩较暗的问题,采用改进的线性亮度调整方法来调节图像的亮度。实验结果显示,相较于原算法而言,改进算法可以有效的对大气光值进行估计,降低明亮区域的色彩失真,复原的图像可以保持足够的亮度,同时不丢失图像的细节,视觉效果显著提高。     

基于融合策略的单幅图像去雾算法

为了有效增强雾天衰退图像,提出了一种基于融合策略的单幅图像去雾算法。该融合策略无需依靠大气散射模型或场景结构信息,只需通过原始衰退图像来获取其输入图与权重图。其中2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强,而3幅权重图则突显了图像雾气较浓区域的细节信息。融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像。此外,本文还从人类视觉感知的角度提出了一个新的去雾效果评价指标,从而为图像去雾与去雾效果评价问题提供了新的解决思路。实验结果表明,与已有方法相比,提出的基于融合策略的去雾算法能更好地提高各种雾天图像的清晰度。     

一种基于降维滤波的快速去雾算法

为了达到单幅图像的快速去雾,提出了一种基于降维滤波的快速去雾算法.采用边界约束来求取透射率图,然后用降维滤波对透射率图进行优化,减少了计算量;通过自适应调节大气光值和透射率下限值优化了天空区域的失真;对去雾后的图像进行自适应Zadeh-X变换改善图像的视觉效果.通过对多种带雾图像实验表明该算法可以达到高速和高质量的去雾,并且适用于偏暗、偏亮和颜色不丰富的带雾场景.     

结合高斯滤波和导向滤波的单幅图像去雾算法

针对暗原色去雾后图像偏暗的问题,提出一种基于结合高斯滤波和导向滤波的单幅图像去雾算法。假设图像的最大值作为全局大气光强的初始值,然后使用高斯滤波获取分块图像的局部大气光强,使用最小值滤波获取分块图像的局部透射率。最后使用导向滤波分别对大气光强和透射率再次细化以处理分块后图像的边界跳跃问题。实验测试结果表明,所提算法去雾后的图像明亮度较高,视觉效果自然。     

基于雾气特征与不等关系约束的去雾方法

针对现有去雾算法未充分考虑图像雾气信息、复原图像细节模糊等问题,提出一种新颖的反映图像雾信息分布的雾气特征图,并采用不等关系约束方法提高图像质量。首先,提取退化图像的极值通道以实现雾气信息的粗略估计,并通过L-1正则化对其进行优化从而得到雾气特征图。其次,提出一种基于雾气特征的初级大气光幕函数,通过对颜色通道和大气光幕作深入分析,利用均值不等式获得约束后的退化场景大气光幕。最后,利用雾气特征图对局部大气光进行改进,并基于大气散射模型实现图像去雾。将所提算法在真实雾图和合成数据集雾图上与其他经典方法进行比较分析,可以发现,所提算法在单幅图像去雾中展现了较好的性能,且在夜间雾图复原中更具优势。     

改进的雾线先验透射率优化图像去雾算法

针对传统去雾算法处理图像后存在颜色不均衡、能见度较低等问题,提出一种基于雾线先验的双边滤波优化透射率算法。首先,将像素在RGB空间中聚类成雾线并引入自适应模块对大气光值进行预估。将大气散射模型和上下文正则化原理相结合,对图像透射率进行初步优化,同时基于最小通道对透射率进行更正,使得传输率图更加平滑,防止相邻景深区域透射率差距过大;再经过双边滤波对透射率进行二次优化,使其变得更加精准。然后,将大气光值和透射率输入到大气散射模型进行去雾处理得到无雾图像。最后,将去雾后的图像进行色彩增强,以提升图像的色彩真实性和亮度。实验结果表明,所提方法在主观上提升了人眼的视觉效果,在客观评价指标结构相似性(SSIM)、峰值信噪比(PSNR)、角点检测数、通用质量指数(UQI)、自然图像质量评估(NIQE)和处理时长上均有着显著的优越性。     

基于饱和度运算单幅图像去雾算法

在雾、霾等恶劣的天气条件下,大气介质中悬浮粒子的散射和吸收作用会严重退化户外拍摄图像,造成图像识别率降低.从单色大气散射模型和暗原色先验规律,提出面向视觉感知的HSI颜色模型的饱和度的新算法,从而实现图像去雾,对于去雾图像最小值像素点采用极大值和极小值进行估计,并对透射率进行修正.该算法能够有效地提高清晰度,能很好地运用于单幅图像去雾.     

应用GhostNet卷积特征的ECO目标跟踪算法改进

为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量,采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法.首先,采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征,运用全局平均池化对卷积特征下采样增加特征对图像的表征能力;其次,将卷积特征与手工特征插值后,与当前滤...     

基于多尺度密集连接和U-Net改进的动态场景去模糊算法

针对现有去运动模糊网络在图像恢复过程中出现的纹理细节丢失、无法抑制噪声、产生振铃伪影等问题,提出一种基于多尺度密集连接和U-Net改进的动态场景去模糊算法。首先,借助U-Net网络中空洞卷积下采样有效扩大感受野,在不增加参数量的情况下避免图片产生不可逆损伤,并利用亚像素卷积在上采样过程中以小的卷积核获得清晰的图像细节,降低运算复杂度;其次,设计多尺度密集特征提取模块(multi-scale dense feature extraction, MDFE),通过密集连接的卷积层加强深层次特征提取和复用,运用空间金字塔池化(spatial pyramid pooling, SPP)分支引导多尺度特征的传递和融合,促进图像细节纹理的有效保留;最后,采用ConvLSTM双向连通结构(bidirectional convolution LSTM unit, BCLU)以非线性方式从编码路径补偿简单级联流失的上下文特征,推动深度特征跨阶段相互作用,弱化边缘伪影和噪声干扰。与现有先进方法对比,验证了本文所提算法在性能上的优势。     

基于超像素暗通道和自动色阶优化的图像去雾算法

针对暗通道先验(dark channel prior, DCP)复原图像中的光晕现象、明亮区域色彩失真、环境光估计不准确等问题,提出了基于超像素暗通道和自动色阶优化的单幅图像去雾算法。首先,由改进的White Patch Retinex算法增强图像并计算精确环境光。接着,在传统暗通道去雾算法中引入超像素图像分割和引导滤波算法,使透射率估计的稳健性与精确性得以提升。然后,采用自适应容差对明亮区域的透射率进行补偿,有效抑制明亮区域色彩失真问题。最后,以自动色阶优化算法提高图像对比度。将本文去雾算法与其他算法从主观和客观两个维度进行比较,实验结果表明：采用不同算法对不同浓度的自然雾图进行对比实验,信息熵提高0.2 bit,峰值信噪比(peak signal-to-noise ratio,PSNR)提高0.8 dB,运行效率提高。该算法对不同浓度含雾图像具有良好的适应性,复原图像色彩真实、纹理清晰、细节丰富,去雾效果良好。     

雾天偏振成像影响分析及复原方法研究

为了抑制雾天图像质量的退化,基于大气散射物理模型及偏振图像暗通道原理,提出了一种改进的雾天偏振遥感图像去雾算法。首先依据大气散射模型对雾天偏振成像机理进行分析,对大气偏振信息对去雾的影响进行了阐述。其次利用边缘检测和闭运算自动获取雾天偏振图像的天空区域,估算无穷远大气光强和大气偏振度。最后,针对图像中存在的噪声干扰等因素,修正大气偏振度及大气光强,恢复了退化图像的辐射强度信息。通过理论分析和实验验证,取得了较好的雾天图像复原结果。结果表明,该算法可以准确获取天空区域,实现更高鲁棒性的天空区域估计方法,有效提高图像的对比度和清晰度,增加图像细节,改善雾天图像的质量。该算法能够有效抑制雾天对图像造成的退化,从而提高遥感的目标探测和识别能力。     

基于雾气理论的视频去雾算法

本文提出了两种基于雾气理论的视频去雾新算法,一种视雾气为覆盖在各帧图像上的一层遮罩被从原视频中减除,一种视雾气为光路传播图被分离消除.前者将Retinex算法得到的亮度图像与视频帧自身的深度关系相结合求取雾气遮罩,并将此遮罩从原视频帧中分离以去除雾气;后者将由背景图像得到的视频“通用”传播图应用于视频的所有帧以消除雾气...     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

基于渐进式特征增强网络的超分辨率重建算法

为了在图像重建质量和网络参数之间取得较好的平衡,本文提出一种基于渐进式特征增强网络的超分辨率（Super-Resolution,SR）重建算法。该方法主要包含两个模块:浅层信息增强模块和深层信息增强模块。在浅层信息增强模块中,首先利用单层卷积层提取低分辨率（Low-Resolution,LR）图像的浅层信息,再通过我们设计的多尺度注意力块来实现特征的提取和增强。深层信息增强模块先利用残差学习块学习图像的深度信息,然后将得到的深层信息通过设计的多尺度注意力块来获得增强后的深层多尺度信息。最后我们利用跳转连接的方式将首层得到的浅层信息和深层多尺度信息进行像素级相加得到融合特征图,再对其进行上采样操作,得到最终的高分辨率（High-Resolution, HR）图像。实验结果表明,相比于一些主流的深度学习超分辨率方法,本文方法重建得到的图像无论是主观效果还是客观指标,都取得了更好的效果。      

FD-SSD: An improved SSD object detection algorithm based on feature fusion and dilated convolution

Objects that occupy a small portion of an image or a frame contain fewer pixels and contains less information. This makes small object detection a challenging task in computer vision. In this paper, an improved Single Shot multi-box Detector based on feature fusion and dilated convolution (FD-SSD) is proposed to solve the problem that small objects are difficult to detect. The proposed network uses VGG-16 as the backbone network, which mainly includes a multi-layer feature fusion module and a multi-branch residual dilated convolution module. In the multi-layer feature fusion module, the last two layers of the feature map are up-sampled, and then they are concatenated at the channel level with the shallow feature map to enhance the semantic information of the shallow feature map. In the multi-branch residual dilated convolution module, three dilated convolutions with different dilated ratios based on the residual network are combined to obtain the multi-scale context information of the feature without losing the original resolution of the feature map. In addition, deformable convolution is added to each detection layer to better adapt to the shape of small objects. The proposed FD-SSD achieved 79.1% mAP and 29.7% mAP on PASCAL VOC2007 dataset and MS COCO dataset respectively. Experimental results show that FD-SSD can effectively improve the utilization of multi-scale information of small objects, thus significantly improve the effect of the small object detection.