基于卷积神经网络的图像去雾算法研究及FPGA实现
发布时间：2022-01-06 20:25
在雾霾天气的影响下,成像设备拍摄到的图像严重降质。这些降质图像会对计算机视觉系统的性能造成影响,如目标监测系统、目标识别系统等。为了提升计算机视觉系统的性能,对图像去雾算法的研究具有十分重要的意义。在硬件实现方面,由于专用集成电路（ASIC）的开发效率低,而现场可编程门阵列（FPGA）具有逻辑资源丰富、开发效率高、灵活性强等特点,所以一般使用FPGA进行数字图像处理算法的硬件实现。本文首先从雾天图像降质的原因出发,介绍了大气散射模型,该模型可以用于生成有雾图像。然后介绍了传统算法中用于图像去雾的相关特征。接着,介绍了卷积神经网络（CNN）的相关基础,并详细介绍了基于CNN的两种去雾网络,DehazeNet和AOD-Net。针对DehazeNet算法由于输入图像尺寸的影响不能学习图像的全局信息且分开估计两个参数会产生重建误差,AOD-Net算法在训练网络的过程中加入大气散射模型公式等缺点,提出了一种端对端的CNN去雾算法,通过对输入的有雾图像进行特征提取、特征融合和特征学习后得到去雾后的清晰图像。最后将本文算法与其他去雾算法进行主观和客观对比,结果表明本文算法具有更好的去雾效果。针对本文...
【文章来源】：西安理工大学陕西省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
训练数据(a)地面真实无雾图像(b)合成有雾图像
基于卷积神经网络的图像去雾算法实现27的清晰图像与地面真实图像之间的均方误差损失函数学习网络参数，并使用随机梯度下降用于训练网络。权值初始化为均值为0，方差为0.1的高斯分布，偏置初始化为0，学习率固定为0.001；采用mini-batch梯度下降法对网络进行优化，其中mini-batch-size为8，对整个训练集迭100次。本实验在ubuntu16.04版本amaxsever中python3.5.2、tensorflow1.12.0环境下进行网络训练。去雾网络的各层参数见表3-1所示。表3-1网络架构各层参数Tab.3-1Parametersofeachlayer层名输入图像尺寸卷积核尺寸卷积核个数激活函数特征图总数Conv13×480×6401×14maxout(k=4)43×345×547×74Conv24×480×6403×33ReLU3Conv37×480×6405×53ReLU3Conv410×480×6407×73ReLU3Conv513×480×6403×33ReLU3Conv63×38ReLU8Conv78×480×6403×316ReLU16Output16×480×6403×33ReLU33.2雾天图像的恢复使用本文算法处理后的图像如图3-7所示，(a)为有雾图像，(b)为处理后的去雾图像。可以看出，本文算法处理后的图像明显清晰，色彩自然，说明本文去雾效果良好。(a)有雾图像(b)处理后的去雾图像图3-7本文去雾算法实验结果(a)有雾图像(b)处理后的去雾图像Fig.3-7Resultofalgorithmweproposed(a)hazeimage(b)resultafterdehazing3.3图像质量评价方法3.3.1主观评价主观评价是观察者对图像在对比度、饱和度、清晰度等方面的直观感受，具有主观意6404803
SDRAM初始化仿真图
【参考文献】：
期刊论文
[1]城市群雾霾污染的空间分异及动态关联研究——基于京津冀城市群的实证分析[J]. 王会芝,杜林蔚,吕建华. 中国环境管理. 2020(01)
[2]融合直方图均衡化与同态滤波的雾天图像增强算法研究[J]. 赵春丽,董静薇,徐博,马晓峰. 哈尔滨理工大学学报. 2019(06)
[3]基于自适应改进的遥感图像去雾算法研究[J]. 赵阳,王剑,曹浩男. 电子设计工程. 2019(19)
[4]融合同态滤波和小波变换的图像去雾算法研究[J]. 董静薇,赵春丽,海博. 哈尔滨理工大学学报. 2019(01)
[5]基于同态滤波和Retinex的图像去雾算法[J]. 汪秦峰,陈莉,樊泰亭,陈占武,杨涛. 火控雷达技术. 2016(02)
[6]基于四阶偏微分方程图像复原去雾方法[J]. 李桂林,王创新,万志银. 电子科技. 2016(02)
[7]双通道分块同态滤波彩色图像增强算法[J]. 段群,吴粉侠,李红. 计算机技术与发展. 2016(01)
[8]融合变分偏微分方程的单幅彩色图像去雾[J]. 周理,毕笃彦,何林远. 光学精密工程. 2015(05)
[9]基于小波变换的低照度图像自适应增强算法[J]. 李庆忠,刘清. 中国激光. 2015(02)
[10]基于改进同态滤波的遥感图像去云算法[J]. 周小军,郭佳,周承仙,谭薇. 无线电工程. 2015(03)
本文编号：3573111
【文章来源】：西安理工大学陕西省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
训练数据(a)地面真实无雾图像(b)合成有雾图像
基于卷积神经网络的图像去雾算法实现27的清晰图像与地面真实图像之间的均方误差损失函数学习网络参数，并使用随机梯度下降用于训练网络。权值初始化为均值为0，方差为0.1的高斯分布，偏置初始化为0，学习率固定为0.001；采用mini-batch梯度下降法对网络进行优化，其中mini-batch-size为8，对整个训练集迭100次。本实验在ubuntu16.04版本amaxsever中python3.5.2、tensorflow1.12.0环境下进行网络训练。去雾网络的各层参数见表3-1所示。表3-1网络架构各层参数Tab.3-1Parametersofeachlayer层名输入图像尺寸卷积核尺寸卷积核个数激活函数特征图总数Conv13×480×6401×14maxout(k=4)43×345×547×74Conv24×480×6403×33ReLU3Conv37×480×6405×53ReLU3Conv410×480×6407×73ReLU3Conv513×480×6403×33ReLU3Conv63×38ReLU8Conv78×480×6403×316ReLU16Output16×480×6403×33ReLU33.2雾天图像的恢复使用本文算法处理后的图像如图3-7所示，(a)为有雾图像，(b)为处理后的去雾图像。可以看出，本文算法处理后的图像明显清晰，色彩自然，说明本文去雾效果良好。(a)有雾图像(b)处理后的去雾图像图3-7本文去雾算法实验结果(a)有雾图像(b)处理后的去雾图像Fig.3-7Resultofalgorithmweproposed(a)hazeimage(b)resultafterdehazing3.3图像质量评价方法3.3.1主观评价主观评价是观察者对图像在对比度、饱和度、清晰度等方面的直观感受，具有主观意6404803
SDRAM初始化仿真图
【参考文献】：
期刊论文
[1]城市群雾霾污染的空间分异及动态关联研究——基于京津冀城市群的实证分析[J]. 王会芝,杜林蔚,吕建华. 中国环境管理. 2020(01)
[2]融合直方图均衡化与同态滤波的雾天图像增强算法研究[J]. 赵春丽,董静薇,徐博,马晓峰. 哈尔滨理工大学学报. 2019(06)
[3]基于自适应改进的遥感图像去雾算法研究[J]. 赵阳,王剑,曹浩男. 电子设计工程. 2019(19)
[4]融合同态滤波和小波变换的图像去雾算法研究[J]. 董静薇,赵春丽,海博. 哈尔滨理工大学学报. 2019(01)
[5]基于同态滤波和Retinex的图像去雾算法[J]. 汪秦峰,陈莉,樊泰亭,陈占武,杨涛. 火控雷达技术. 2016(02)
[6]基于四阶偏微分方程图像复原去雾方法[J]. 李桂林,王创新,万志银. 电子科技. 2016(02)
[7]双通道分块同态滤波彩色图像增强算法[J]. 段群,吴粉侠,李红. 计算机技术与发展. 2016(01)
[8]融合变分偏微分方程的单幅彩色图像去雾[J]. 周理,毕笃彦,何林远. 光学精密工程. 2015(05)
[9]基于小波变换的低照度图像自适应增强算法[J]. 李庆忠,刘清. 中国激光. 2015(02)
[10]基于改进同态滤波的遥感图像去云算法[J]. 周小军,郭佳,周承仙,谭薇. 无线电工程. 2015(03)
本文编号：3573111
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3573111.html