基于DehazeNet与边缘检测均值引导滤波图像去雾算法.pptxVIP

基于DehazeNet与边缘检测均值引导滤波图像去雾算法

汇报人：

2024-01-28

CATALOGUE

目录

引言

DehazeNet去雾算法原理

边缘检测均值引导滤波算法原理

基于DehazeNet与边缘检测均值引导滤波的去雾算法实现

实验结果与分析

结论与展望

01

引言

雾霾天气对图像采集设备的影响

01

在雾霾天气下，由于大气中悬浮颗粒物的散射和吸收作用，导致采集到的图像对比度降低、颜色失真、细节模糊等问题。

图像去雾技术的需求

02

为了改善雾霾天气对图像质量的影响，提高图像清晰度和可视度，需要研究有效的图像去雾技术。

研究意义

03

图像去雾技术不仅可以应用于户外视觉系统、智能交通系统等领域，还可以为计算机视觉和图像处理等领域的研究提供有力支持。

VS

目前，国内外学者已经提出了许多图像去雾算法，包括基于物理模型的算法、基于深度学习的算法等。其中，基于物理模型的算法通过建立大气散射模型来估计场景深度信息，从而实现去雾；而基于深度学习的算法则通过训练大量有雾和无雾图像对来学习去雾映射关系。

发展趋势

随着深度学习技术的不断发展，基于深度学习的图像去雾算法已经成为研究热点。未来，图像去雾技术将更加注重实时性、鲁棒性和自适应性等方面的研究，以满足不同应用场景的需求。

国内外研究现状

主要研究内容：本文提出了一种基于DehazeNet与边缘检测均值引导滤波的图像去雾算法。首先，利用DehazeNet网络估计场景深度信息；然后，结合边缘检测结果和均值引导滤波器对深度信息进行优化；最后，根据优化后的深度信息和大气光值，利用大气散射模型恢复无雾图像。

创新点：本文算法的创新点主要体现在以下几个方面

2.结合边缘检测结果和均值引导滤波器对深度信息进行优化，增强了深度信息的细节保持能力；

1.利用DehazeNet网络估计场景深度信息，提高了深度估计的准确性；

3.根据优化后的深度信息和大气光值，利用大气散射模型恢复无雾图像，实现了较好的去雾效果。

02

DehazeNet去雾算法原理

1

2

3

描述光线在大气中的传播过程，是图像去雾的基础。

大气光模型

表示光线通过雾气的能力，与场景深度相关。

透射率模型

I(x)=J(x)t(x)+A(1-t(x))，其中I(x)为观测图像，J(x)为无雾图像，t(x)为透射率，A为大气光。

大气散射模型的数学表达

采用不同大小的卷积核提取多尺度特征。

多尺度输入

级联结构

透射率预测

将不同层级的特征进行融合，提高特征表达能力。

通过网络学习预测透射率图。

03

02

01

衡量预测透射率与真实透射率之间的差距。

均方误差损失

利用预训练模型提取特征，计算特征层面的损失。

感知损失

采用梯度下降法进行网络参数优化，如Adam、SGD等。

优化方法

03

边缘检测均值引导滤波算法原理

Sobel算子

使用Sobel算子进行边缘检测，通过计算图像灰度的一阶或二阶导数来检测边缘，对噪声具有平滑作用，可以提供较为精确的边缘方向信息。

Canny边缘检测

Canny算法是一种多级边缘检测算法，通过寻找图像梯度的局部最大值来实现边缘检测，具有低错误率、高定位性和单一边缘响应的特点。

其他边缘检测算法

如Laplacian算子、Prewitt算子等，这些算法也常用于边缘检测，但可能在某些情况下效果不如Sobel算子和Canny算法。

均值滤波是一种简单的空间域滤波方法，它将图像中每个像素的灰度值替换为其邻域内像素灰度值的平均值，以达到平滑图像的效果。

均值滤波

引导滤波是一种保边滤波器，它通过引入一个引导图像来指导滤波过程，使得在平滑图像的同时能够保持边缘信息。

引导滤波

均值引导滤波结合了均值滤波和引导滤波的特点，它首先使用均值滤波对图像进行初步平滑，然后使用引导滤波对边缘进行增强，以达到更好的去雾效果。

均值引导滤波

01

02

03

边缘检测与去雾结合

在图像去雾过程中，首先使用边缘检测算法检测出图像中的边缘信息，然后根据边缘信息对图像进行分区处理，对不同区域采用不同的去雾策略。

均值引导滤波去雾

在分区处理的基础上，对每个区域使用均值引导滤波算法进行去雾处理。对于非边缘区域，采用较强的去雾策略以去除大部分雾气；对于边缘区域，采用较弱的去雾策略以保持边缘的清晰度。

参数调整与优化

根据实际应用场景和需求，对去雾算法中的参数进行调整和优化，以达到最佳的去雾效果。同时，还可以考虑引入其他图像处理技术（如色彩恢复、对比度增强等）来进一步提升去雾后图像的质量。

04

基于DehazeNet与边缘检测均值引导滤波的去雾算法实现

03

数据增强

通过随机裁剪、旋转、翻转等操作增加训练样本的多样性，提高模型的泛化能力。

01

数据集选择

选用具有不同雾浓度的室内外场景图像数据集，如RESI