论文部分内容阅读
图像作为承载信息的重要媒介,在人类生产生活中扮演着愈发重要的角色。以图像为基础的信息交互通常包含图像的获取、压缩、存储和传输等过程。在这些过程中,一些硬性条件和外部因素不可避免的影响图像的质量,进而影响图像信息表达的充分性和准确性。随着大数据和人工智能技术的快速发展,人们对高质量清晰图像的需求愈加突出。因此,相应的数字图像处理技术在人们的生产生活中扮演着非常重要的角色。作为数字图像处理的一个重要分支——图像复原技术旨在通过构建数学模型模拟图像退化过程,并通过反推数学模型从原始退化图像中还原出真实图像。目前,图像复原技术广泛应用在图像去噪、图像去雾、图像去雨、图像超分辨率等多种低级视觉任务中。但是图像退化的原因众多,且性质各不相同,至今依然没有统一且高效的图像复原算法。当下,深度学习技术的快速发展为传统图像复原算法注入了新的活力,也使得寻找一个高效且适用范围广的图像复原算法成为一种可能。本文以图像去雾为例,将深度学习中的生成对抗网络应用到图像复原算法中去,其主要内容如下:(1)针对传统基于大气散射模型的去雾算法透射图估计不准确的问题,提出一种基于CGAN(Conditional Generative Adversarial Networks)的透射图估计方法。其中,生成网络为多尺度全卷积DenseNet(Fully Convolutional DenseNets,FC-DenseNet)透射图预测网络。该网络主要包含多尺度信息提取、透射图特征提取与融合和透射图预测三个部分。为确保透射图估计的准确度,该网络采用均方误差函数为其损失函数,并辅之WGAN(Wasserstein Generative Adversarial Networks)损失函数对其生成结果细致优化。接着使用引导滤波对生成的透射图再次优化。实验结果表明,该方法可以更为准确的预测透射图。在图像去雾效果上,与其他对比方法相比,该方法具有较大优势。(2)针对传统图像去雾算法存在透射图和大气光值估计不准确以及公式计算有误差等问题,提出一种基于大气散射模型的端到端图像去雾方法。首先,采用上述基于多尺度FC-DenseNet的透射图预测网络,提高透射图估计的准确度;其次,引入浅层残差去雾网络,该网络与透射图预测网络共享图像卷积特征,有效避免了因透射图预测不准确导致的后续计算误差的问题,实现端到端去雾;然后,通过构造多任务损失函数联合优化两个网络;最后,为生成逼真的图像,使用WGAN对生成的透射图和去雾图像细致优化。大量实验表明,该方法在细节处理和图像纹理恢复上效果更好,在主客观评价上均优于其他对比方法。(3)现有图像去雾算法严重依赖中间量准确估计。由于真实场景的复杂性,对应透射图标签制作较为困难。为此,提出了一种基于WGAN的端到端图像去雾方法。首先,为简化网络结构,提高网络对全局多尺度信息的把控,使用嵌入多尺度池化模块的FC-VoVNet网络结构充分学习图像中雾的特征;其次,采用残差学习思想直接从退化图像中学习到清晰图像的特征,实现端到端的去雾;最后,使用均方误差和感知结构误差函数作为网络的损失函数,以确保生成图像结构和内容的相似度;并使用WGAN对生成结果细致优化,生成清晰逼真的无雾图像。实验结果表明,该方法在去雾效果上优于其他对比方法。且该方法可以适用于其他图像复原领域,泛化性能更优。