经典AOD-Net(All in One Dehazing Network)去雾后的图像存在细节清晰度不足、明暗反差过大和画面昏暗等问题。为了解决这些图像去雾问题,提出一种在AOD-Net基础上改进的多尺度算法。改进的网络结构采用深度可分离卷积替换传统卷积方式...经典AOD-Net(All in One Dehazing Network)去雾后的图像存在细节清晰度不足、明暗反差过大和画面昏暗等问题。为了解决这些图像去雾问题,提出一种在AOD-Net基础上改进的多尺度算法。改进的网络结构采用深度可分离卷积替换传统卷积方式,减少了冗余参数量,加快了计算速度并有效地减少了模型的内存占用量,从而提高了算法去雾效率;同时采用多尺度结构在不同尺度上对雾图进行分析和处理,更好地捕捉图像的细节信息,提升了网络对图像细节的处理能力,解决了原算法去雾时存在的细节模糊问题;最后在网络结构中加入金字塔池化模块,用于整合图像不同区域的上下文信息,扩展了网络的感知范围,从而提高网络模型获取有雾图像全局信息的能力,进而改善图像色调失真、细节丢失等问题。此外,引入一个低照度增强模块,通过明确预测噪声实现去噪的目标,从而恢复曝光不足的图像。在低光去雾图像中,峰值信噪比(PSNR)和结构相似性(SSIM)指标均有显著提升,处理后的图片具有更高的整体自然度。实验结果表明:与经典AOD-Net去雾的结果相比,改进算法能够更好地恢复图像的细节和结构,使得去雾后的图像更自然,饱和度和对比度也更加平衡;在RESIDE的SOTS数据集中的室外和室内场景,相较于经典AOD-Net,改进算法的PSNR分别提升了4.5593 dB和4.0656 dB,SSIM分别提升了0.0476和0.0874。展开更多
针对航拍图像易受雾气影响,AOD-Net(All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题,本文提出了一种基于改进AOD-Net的航拍图像去雾算法.本文主要从网络结构、损失函数、训练方式三个方面...针对航拍图像易受雾气影响,AOD-Net(All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题,本文提出了一种基于改进AOD-Net的航拍图像去雾算法.本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良.首先在AOD-Net的第二个特征融合层上添加了第一层的特征图,用全逐点卷积替换了传统卷积方式,并用多尺度结构提升了网络对细节的处理能力.然后用包含有图像重构损失函数、SSIM(Structural similarity)损失函数以及TV(Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度.最后采用分段式的训练方式进一步提升了去雾图的质量.实验结果表明,经该算法去雾后的图像拥有令人满意的去雾结果,图像的饱和度和对比度相较于AOD-Net更自然.与其他对比算法相比,该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好,更适用于航拍图像实时去雾.展开更多
文摘经典AOD-Net(All in One Dehazing Network)去雾后的图像存在细节清晰度不足、明暗反差过大和画面昏暗等问题。为了解决这些图像去雾问题,提出一种在AOD-Net基础上改进的多尺度算法。改进的网络结构采用深度可分离卷积替换传统卷积方式,减少了冗余参数量,加快了计算速度并有效地减少了模型的内存占用量,从而提高了算法去雾效率;同时采用多尺度结构在不同尺度上对雾图进行分析和处理,更好地捕捉图像的细节信息,提升了网络对图像细节的处理能力,解决了原算法去雾时存在的细节模糊问题;最后在网络结构中加入金字塔池化模块,用于整合图像不同区域的上下文信息,扩展了网络的感知范围,从而提高网络模型获取有雾图像全局信息的能力,进而改善图像色调失真、细节丢失等问题。此外,引入一个低照度增强模块,通过明确预测噪声实现去噪的目标,从而恢复曝光不足的图像。在低光去雾图像中,峰值信噪比(PSNR)和结构相似性(SSIM)指标均有显著提升,处理后的图片具有更高的整体自然度。实验结果表明:与经典AOD-Net去雾的结果相比,改进算法能够更好地恢复图像的细节和结构,使得去雾后的图像更自然,饱和度和对比度也更加平衡;在RESIDE的SOTS数据集中的室外和室内场景,相较于经典AOD-Net,改进算法的PSNR分别提升了4.5593 dB和4.0656 dB,SSIM分别提升了0.0476和0.0874。
文摘针对航拍图像易受雾气影响,AOD-Net(All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题,本文提出了一种基于改进AOD-Net的航拍图像去雾算法.本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良.首先在AOD-Net的第二个特征融合层上添加了第一层的特征图,用全逐点卷积替换了传统卷积方式,并用多尺度结构提升了网络对细节的处理能力.然后用包含有图像重构损失函数、SSIM(Structural similarity)损失函数以及TV(Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度.最后采用分段式的训练方式进一步提升了去雾图的质量.实验结果表明,经该算法去雾后的图像拥有令人满意的去雾结果,图像的饱和度和对比度相较于AOD-Net更自然.与其他对比算法相比,该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好,更适用于航拍图像实时去雾.
