针对单幅图像去雾的端到端系统.docxVIP

中国科学技术大学 学士学位论文 针对单幅图像去雾 针对单幅图像去雾的端到端系统 作者姓名： 作者姓名： 张津诚 学科专业： 自动化 导师姓名： 曹洋 副教授 完成时间： 2017年5月  University of Science and Technology of China A dissertation for bachelor’s degree DehazeNet: An End-to-End System for Single Image Haze Removal DehazeNet: An End-to-End System for Single Image Haze Removal Author Author’s Name： Jincheng Zhang Specialty： Automation Supervisor： Prof. Yang Cao Finished time: May, 2017 、 致谢 本文的作者要感谢项目过程中提供指导和帮助的老师、同学。本项目是在中国科学技术大学信息学院自动化系曹洋老师的指导下开展并最终完成的，在此特别感谢曹洋老师在整个项目过程中给我的指导和建议。 中国科学技术大学本科毕业论文 PAGE 19 目录 TOC \o 1-3 \h \z \u 摘要 2 ABSTRACT 3 第一章 绪论 4 第二章 相关工作 6 2.1 大气散射模型 6 2.2 与雾有关的图像特征 6 第三章 DehazeNet系统 8 3.1 DehazeNet网络层的设计 8 3.2 DehazeNet与传统算法的联系 11 3.3 DehazeNet的训练过程 12 第四章 实验结果与分析 13 4.1 实验结果的定量分析 13 4.2 合成图像的实验结果 14 4.3 真实图像的实验结果 16 4.4 复杂度比较 19 第五章 结论 20 参考文献 21  摘要 单幅图像的去雾是一项具有挑战性的病态问题。现有的去雾方法利用的各种不同的限制或先验知识来构建合理有效的去雾方法。去雾工作的关键在于估计含雾图像的大气透射率图。在这篇文章中，我们提出了一个可训练的、端到端系统来估计透射率，我们称这一系统为DehazeNet 。这一系统将雾图作为输入，输出相应的透射率图，并将之利用到根据大气散射模型去雾的过程中。在深度结构上，DehazeNet 采用了卷积神经网络（CNN）并专门设计其网络层，使之在操作过程中能体现去雾领域里所利用的假设或先验知识。具体而言，Maxout 单元层用于特征提取，可提取出与雾有关的所有特征。在DehazeNet中，我们还提出了一种新的非线性激活函数，称之为双边修正线性单元，以进一步提高恢复出的无雾图像的质量。我们在DehazeNet 系统和现有去雾方法间建立起了联系，在检测图像上得到的测试结果表明，DehazeNet在保证效率和易实现的基础上，比现有方法展现出了更好的去雾性能。 关键词：去雾，图像复原，深度卷积神经网络，双边修正线性单元 ABSTRACT Single image haze removal is a challenging ill-posed problem. Existing methods use various constraints/priors to get plausible dehazing solutions. The key to achieve haze removal is to estimate a medium transmission map for an input hazy image. In this paper, we propose a trainable end-to-end system called DehazeNet, for medium transmission estimation. DehazeNet takes a hazy image as input, and outputs its medium transmission map that is subsequently used to recover a haze-free image via atmospheric scattering model. DehazeNet ad