基于Transformer的图像去雾方法研究
这是一篇关于图像去雾,Transformer,注意力机制,U-Net网络,特征提取的论文, 主要内容为在雾霾情况下,拍照设备获取的图像质量下降,干扰计算机视觉任务,如目标检测、目标跟踪以及目标识别任务的进一步操作,图像去雾可以将有雾图像恢复为清晰图像,解决雾对其他任务的干扰,因此图像去雾任务具有重要的研究意义。现有去雾方法容易出现的失真、细节不清晰的问题,针对这些问题,提出结合空间注意力与Transformer的图像去雾方法。首先该方法使用浅层空间注意力与卷积共同构成浅层特征提取部分,注意力机制模型能够更好地学习通道间的空间特征,卷积块进一步提取雾的局部特征,接下来Transformer块用于提取全局特征信息,该方法提取全局与局部的有雾特征的能力。实验结果表明,提出的方法相较于AOD-Net和RT-Net方法,在评价指标PSNR、SSIM上平均提高了2.88、0.027、0.16、0.0036。鉴于大多数使用深度学习的去雾方法无法充分提取不同浓度的雾度特征,提出基于改进Transformer的图像去雾方法。首先该方法使用编码器,对图像的局部特征进行提取,然后改进的Transformer对全局特征进行提取,改进Transfomer块中使用雾度特征提取块替换了原来的前馈网络,雾度特征提取块可以提取不同浓度的雾,以提高去雾模型的能力,并对不同浓度的雾进行分析,最后通过解码器将图像细节恢复。实验结果表明,基于改进Transformer的图像去雾方法能够达到更好的降噪效果,提出的方法相较于的AOD-Net和RT-Net深度学习方法在评价指标PSNR和SSIM上平均提升了3.15、0.028、0.43、0.0047。该论文有图29幅,表9个,参考文献51篇。
基于改进AOD-Net的铁路低照度图像增强技术研究
这是一篇关于低照度图像增强,图像去雾,AOD-Net,混合空洞卷积,伽马变换的论文, 主要内容为近年来,计算机视觉技术被广泛运用于铁路安全检测,具有准确性高和可实现非接触检测等优点。然而,在隧道和夜间等低照度环境下,因采集到的图像降质严重,导致特征提取困难,限制计算机视觉系统发挥效用。为提高计算机视觉系统在铁路低照度环境下工作的可靠性,实现铁路检测系统的全天候工作,有必要对铁路低照度图像增强技术进行研究。首先,分析现有的铁路低照度图像增强算法,指出现有算法存在两个问题。第一个问题是:采用耗时较长的暗通道先验去雾算法增强图像中的低照度区域,造成算法实时性较差;第二个问题是:利用阈值分割等方法对图像中的高亮区域进行处理,固定的阈值适用范围有限,一旦低照度场景发生变化,阈值分割可能失效,导致算法的适用范围有限。针对现有算法存在的问题,结合铁路低照度图像的特性,提出一种基于改进All-in-One Dehazing Network(AOD-Net)的铁路低照度图像增强方法。接着,分析AOD-Net去雾算法,指出其存在的问题,并做出改进:针对AOD-Net感受野过小、不利于提取大尺度特征,导致去雾后可能存在光晕现象的问题,引入混合空洞卷积,在不增加计算量和不降低分辨率的前提下,扩大卷积神经网络的感受野;针对AOD-Net平等对待不同层次特征的问题,设计特征融合模块,赋予不同层次特征以不同权重。为验证改进AOD-Net去雾算法的有效性,进行对比实验,实验结果表明改进AOD-Net去雾算法的去雾效果更好,且实时性优于暗通道先验去雾算法。最后,将改进AOD-Net去雾算法增强铁路低照度图像,针对图像中高亮区域出现过度增强的问题,采用伽马变换处理低照度图像,以提高高亮区域的对比度,利用图像融合技术将伽马变换增强的图像和改进AOD-Net去雾算法增强的图像进行融合,以消除光晕效应,实现低照度图像的整体增强。为验证本文算法的有效性,在铁路低照度图像上进行对比实验,实验结果表明本文算法在对比度提升、细节信息恢复、实时性和适用范围等方面都要优于现有的低照度图像增强算法。
货车车牌识别及煤场车辆信息管理系统的设计与实现
这是一篇关于图像去雾,字符分割,车牌识别,车辆管理系统的论文, 主要内容为煤炭在人们的生活和工业的生产当中都发挥着重要的作用,所以当今煤场中使用智能化管理已经成为了提高工作效率的潮流,而对于煤场当中运载煤炭的货车车牌的识别以及后期的管理也在整个煤场的智能化管理当中起到重要的作用,另外煤场当中往往由于煤渣以及灰尘的大量存在会造成空气当中形成雾霾现象。本文以上述的这些条件为背景,首先对获取的车牌图像进行图像去雾的步骤,随后对获得货车车牌去雾的图像利用图像处理知识对车牌来进行识别,最后针对煤场当的车辆复杂难以管理的情况设计并且实现了一套煤场车辆管理系统,用以对整个煤炭智能采样系统的补充,在一定程度上提高了车辆的管理性和煤场的工作效率。本文工作重点主要是对图像去雾算法的改进;找到识别速率快且准确率高的车牌算法,并加以利用;设计并实现一套煤场车辆管理系统。本文首先对传统的暗通道图像去雾算法进行分析,并提出了一种将RGB空间转换到T空间,随后利用引导滤波来进行处理,最后通过亮度、对比度的调节改进的图像去雾算法;在车牌的字符分割方面,在基于特征投影的方法上,加入字符长度的特征方法保证了分割过程的准确性;在车牌字符识别的部分,选用了基于SVM向量机和ECOC模型相结合的识别方法,在保证了识别速度的同时提高了识别的准确性;最后针对煤场存在车辆管理困难的问题,主要选择了Java语言进行开发,采用了Spring+Spring MVC+Mybatis框架、SQL数据库在WEB端设计并实现了一套煤场车辆信息管理系统。通过测试,发现车牌识别的准确率为90.87%可以达到要求,煤场车辆管理系统可以在WEB端正常的打开和工作,满足和实现了预期的效果。
基于编解码网络的图像去雾算法研究
这是一篇关于图像去雾,迁移学习,特征融合,动态卷积,特征转换,编解码网络的论文, 主要内容为图像去雾是常见的像素级视觉任务,也是典型的不适定问题。其目的是去除给定有雾图像中的雾气,恢复出清晰无雾图像。基于深度学习的图像去雾依据是否参照大气散射模型,分为间接算法和直接算法。直接算法常利用编解码网络直接学习有雾到无雾图像的映射模型。本文针对现有数据集样本量小,包含场景复杂度低,以及编解码网络信息丢失和网络模型表达能力弱的问题,从迁移特征的学习、多层次特征的融合、网络结构及损失函数的设计进行研究,使恢复的图像更加自然,边缘细节更清晰。本文的主要工作如下:(1)提出基于迁移特征融合的图像去雾算法。现有的图像去雾数据集包含的场景复杂度低,训练的模型处理复杂场景的有雾图像时泛化能力低。因此基于迁移学习思想,在不扩充数据集的情况下,使用在Image Net上预训练的Dense Net169模型提取自然图像的共性特征。对4层不同尺度的迁移特征联合原始有雾图像进行特征融合,既利用了迁移的多尺度特征,又利用原始有雾图像对迁移特征进行去雾适应性指导。(2)提出不同层次的特征融合模块。基于注意力机制的自适应融合多尺度特征模块,提升模型利用跨领域特征的能力。设计门控选取模块,自适应选取不同层次的转换特征,让解码器的输入特征有灵活表示能力。考虑到解码器各层重建细节时忽略边缘特异性的问题,引入并联的多感受野卷积模块,增强各层特征图。将这些模块嵌入基于迁移特征融合的图像去雾算法,使得恢复出的图像无论在局部细节上还是整体观感上都更接近清晰无雾图像。(3)提出基于高频细节增强的图像去雾算法。随着空间维度的压缩,编解码网络的编码阶段不可避免会引起图像空间信息的丢失;在连接编码和解码的特征转换阶段,如何设计网络的结构以增强网络的转化表达及建模能力也是需要解决的问题。针对以上两个问题,首先以输出编解码网络各层特征图的方式,分析了各个阶段各层特征图的特点;然后在编码阶段采用动态卷积和普通卷积融合的方式缓解空间信息丢失的问题;将特征转换阶段分为不同结构的3个模块,设计不同的组件进行消融实验。选择10个普通残差块构建第1个子模块,设计并分别使用15个串行多感知残差组件构建第2和第3个子模块,用以增强模型处理细节信息时的表达能力。(4)在损失函数中引入频率域损失,从频率域的角度考虑去雾图像和清晰图像的差异。训练网络时从像素级、特征级、频率级三个方面最小化损失函数。从多角度训练网络模型,提升模型处理细节信息的能力。在合成和真实的有雾数据集上进行训练和测试,和当今的主流去雾算法作定性和定量的对比,验证了本文所提算法的有效性和先进性。
基于生成对抗网络的图像去雾算法研究
这是一篇关于图像去雾,生成对抗网络,注意力机制,对比学习,多尺度特征的论文, 主要内容为随着中国经济和信息化的飞速发展,计算机视觉技术被广泛应用于各个领域,然而工业和交通污染物的大量排放导致雾霾频繁发生,雾霾天气下拍摄的图像质量下降明显,细节信息缺失严重,严重影响以清晰输入数据为基础的高级视觉任务的性能,如目标检测、车型识别和智能驾驶等。通过图像处理技术减少或消除图像中的雾霾,恢复图像细节,获得清晰图像具有重要的研究价值。针对当前去雾算法大气散射模型参数估计不准确和缺乏特征筛选的问题,本文结合生成对抗网络(Generative Adversarial Network,GAN)在图像重建方面的优势,提出基于注意力和生成对抗网络的图像去雾算法,直接学习有雾图像到清晰图像的映射,克服去雾算法对物理模型的依赖问题。生成器设计多尺度残差模块(Multi-scale Residual Block,MRBlk)扩大感受野,提取图像多尺度特征,学习有雾图像和清晰图像的共享特征,减少信息损失;通过高效通道注意力模块(Efficient Channel Attention,ECA)学习相邻通道的相关性,动态调整特征通道权重,优先关注有效通道,加强有效特征传播,抑制无关特征,提高去雾算法特征筛选能力;采用Patch GAN分块评价图像,提高图像判别准确率,引导生成器生成更真实的图像;增加感知损失,减少去雾图像特征损失,保留图像更多细节信息,实现高质量的图像去雾。实验结果表明,提出的模型相比于DCP、AOD-Net、Grid Dehaze Net和FFA-Net方法平均梯度平均提高4.15%,是一种有效的图像去雾算法。现有去雾算法研究大多依赖有雾图像和清晰图像对,但实际工作中,受各种因素的限制,获取大量匹配图像对难以实现,且合成数据集训练的网络处理真实有雾图像时效果不佳,导致域偏移问题。针对以上问题,本文提出基于对比学习和循环一致性生成对抗网络的图像去雾算法。使用循环生成对抗网络,通过非成对的有雾图像和清晰图像训练网络,提高图像去雾算法在真实场景中的应用价值,缓解去雾算法的域偏移问题;设计对比指导分支学习图像的潜在特征分布,隐式约束不同样本在深度特征空间中的嵌入,深度挖掘有雾图像和清晰图像的相似特征,拉近图像的相似特征,保留两类图像间的互信息,维持图像内容的一致性,提高网络去雾性能;引入频率损失,约束生成器的输出,降低频域信息损失,进一步保留图像的内容和结构信息,减少去雾图像的模糊和失真,提高生成图像的质量和清晰度。实验结果表明,提出的模型相比于DCP、CAP、Cycle GAN和Cycle-Dehaze方法信息熵和平均梯度平均提高1.69%、28.67%,是一种有效的图像去雾算法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://bishedaima.com/lunwen/46646.html
