基于深度多尺度卷积神经网络的图像去雾方法研究.pdf

摘要

摘要

随着工业化和城市化的快速发展使得太雾天气变得愈发频繁，严重影响了图

像采集和处理。雾天会导致采集到的图像对比度降低、色彩失真，进而影响到图

像的识别和应用效果。因此，图像去雾技术的研究具有重要的现实意义和应用价

值。本文致力于解决目前图像去雾算法存在的问题，并创新性地提出了三种基于

深度多尺度卷积神经网络的图像去雾算法。以下是本文的主要研究内容2

(1)为了克服传统去雾算法易受到先验知识影响的局限性，提出了一种利用

色彩信息进行去雾处理的端到端图像去雾算法。该算法基于YUV色彩壁间与图像

去雾处理的契合性，将图像分解为亮度分量Y和色度分量U、V。通过双分支增强

网络提高亮度分量的对比度，提取色度分量的多尺度特征信息，同时引入可变形

卷积以更好地适应图像中不同区域的特征，最终在融合模块中将不同分量的信息

融合在一起，进而实现图像去雾的端到端处理流程。在阻SIDE和NH-HAZE两

个合成数据集上的实验结果显示，提出的算法在主观和客观评价方面均有较好的

提升，并且对色彩信息的保护较好，处理效果稳定。

(2)为了克服在某些复杂场景下的雾气去除效果有限的问题，提出了一种多

尺度特征融合的图像去雾算法。该算法通过构建Unet多尺度卷积神经网络，捕获

图像中从细节到全局的多尺度特征信息:与此同时，引入通道和重叠交叉注意力

机制，使得网络能够关注图像中受浓雾影响严重的区域，并对这些区域进行有针

对性的去雾处理:采用跳跃连接的方式以实现对不同尺度信息的有效融合，之后

利用上采样恢复图像大小，进而恢复出无雾图像。在阻SIDE-OTS、阻SIDE-ITS

和町IRE数据集土进行验证实验，实验结果表明提出的算法模型在定量的评价指

标上优于其他算法模型。

(3)为了克服因为对成对数据集进行训练而造成对在处理真实雾天环境下的

图像泛化能力差，以及无法妥善处理合成图像与真实场景图像之间差异性的问题，

提出了一种基于多尺度特征融合CycleG剧的图像去雾算法。首先，通过加入通

道和多尺度注意力机制来改进生成器网络，使其能够充分利用图像中的多尺度特

征信息，进一步提升去雾效果:其次，将改进的PatchGAN网络作为判别器来增强

其评估能力:最后，在原始损失函数的基础上加入最小二乘GAN和颜色调整损失

以增强生成图像与真实图像逼真度。在RESIDE中的SOTS和HSTS子集基础上开

展了验证实验，结果表明提出的新算法在PSNR、SSIM和CIEDE2000评价指数上

I

西北师范大学硕士学位论文

高于其他的无监督去雾算法，部分指标优于有监督算法。这些结果说明提出的算

法能够生成高质量的去雾图像，同时保持图像的原始风格和色彩。

关键词z图像去雾:卷积神经网络:多尺度卷积;注意力机制;特征融合

H

目录

目录

1

..1.1

第1章绪论…………...………..……..…..………..………..…..…………..……..…..………..………..……..………..………..……..………..………..……..…J

1.1研究背景和意义……..…..…..…..…..…..…..…..…..…..…..…..………1

1.2国内外研究现状分析…...…...…...…·…...…...…...…………2

1.1.1基于图像增强的去雾算法………2

1.1.2基