目录
前言
📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。
🚀对毕设有任何疑问都可以问学长哦!
选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277
大家好,这里是海浪学长毕设专题,本次分享的课题是
🎯基于深度学习的图像去雾算法
课题背景和意义
由于雾霾天气下大气颗粒的散射作用，通过视频和图像采集系统获取的图像通常可见度较低，将严重影响计算机视觉系统后续的目标识别、目标追踪等功能。目前，图像去雾算法可分为传统去雾算法和基于深度学习的去雾算法。传统去雾算法一般采用图像增强方式对有雾图像进行对比度增强，或采用先验理论来估计有雾图像的透射率值和大气光照值，再通过大气散射模型恢复无雾图像。基于深度学习的去雾算法一般基于有雾图像的先验信息进行建模，再通过有监督学习方式或无监督学习方式来估计有雾图像的透射率图或无雾图，泛化性较强，运算效率更高。在如今的信息化时代背景下，图像越来越成为人类观察周围真实世界信息的重要媒介。人类通过开发各种不同的采集设备和系统可以获取各种不同场景下的图像。图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要方式。通过对获取到的图像进行去雾、分割和识别等处理，可以将图像中蕴藏的信息应用到医学研究、交通出行、航空航天以及军事安全等领域。
实现技术思路
日常生活中，在恶劣的雾霾天气下，由于空气质量差，导致能见度降低，将严重影响交通出行、航空航天和军事安全等方面。在交通出行方面，使用清晰度低的图像对目标检测、道路监控以及车辆疏导等系统将会造成严重的影响，显著降低系统的使用价值。
一、基于图像增强的去雾算法
基于直方图均衡化的图像去雾算法
直方图均衡化算法(Histogram Equalization，HE)是基于图像增强的去雾算法中的重要一
类算法，HE 算法改善有雾图像对比度低的方式是使用全局均衡化或局部均衡化算法将图像的
灰度范围扩大，从而提高图像的对比度来实现图像去雾的效果。
HE 算法的一般如下： 设为原有雾图像的灰度级， 为经过HE 算法处理后的图像灰度级，通过对灰度级和进行归一化。
基于同态滤波的图像去雾算法
同态滤波算法是以照射反射模型为基础，将图像分为照射分量和反射分量，照射分量变化缓慢是图像的低频部分，反射分量变化较快是图像的高频部分。同态滤波算法通过减少低频信息增加高频信息，从而减少光照变化并锐化有雾图像细节来实现图像去雾的效果。
基于 Retinex 理论的图像去雾算法
基于 Retinex 理论的图像去雾算法目前的研究现状，Retinex 图像去雾算法基于色彩恒常性理论。
将有雾图像S (x ,y )表示成反射分量R （x ，y）和亮度分量L （x，y）的乘积形式：
二、基于大气散射模型的去雾算法
基于暗通道先验理论的图像去雾算法(DCP) 和基于边界约束和上下文正则化的图像去雾算法
(BCCR)
基于大气散射模型对雾天图像的成像过程进行建模，具体地，有雾图像可以表示成如下形式：
基于暗通道先验的图像去雾算法
通过分析总结无雾图像的特征，提出了经典的暗通道先验理论。暗通道先验理论中提到：在晴朗天气下，室外拍摄的大多数清晰图像，在除去图像的天空区域后，RGB 图像中至少存在一个通道中有强度很低趋于 0 的像素值。因此，任意一幅清晰的图像J（x）,可以表示成如下形式：
其中，Jc为清晰图像 J x( ) 中 RGB 颜色空间某一颜色通道的图像，Ω（x )为图像J （x )中以像素x为中心的某一邻域。
基于边界约束和上下文正则化的图像去雾算法
提出了一种有效的正则化算法(BCCR)来实现单幅图像去雾。该算法受益于对传递函数固有边界约束的探索。BCCR 算法的创新点在于使用边界约束估计透射率，并增加上下文正则化来优化透射率。通过 BCCR 算法进行图像去雾可以较好地恢复图像中的细节信息。根据大气散射模型公式：
通过从大气光照A到
I (
x)的线性外推来恢复无雾图像 。边界约束的示意图：
三、基于深度学习的去雾算法
基于卷积网络 DehazeNet 的图像去雾算法
]基于传统去雾算法中的先验特征，首次提出构建卷积网络模型 DehazeNet 来
实现单幅图像去雾，并提出新的激励函数双边纠正线性单元。DehazeNet 模型的输入为有雾图
像，输出为有雾图像对应的透射率图。
1）输入层和特征提取层： DehazeNet 模型的输入层是尺寸为16×16的有雾图像块。DehazeNet 模型采用卷积层+激活层的结构来实现输入图像块的特征提取。
2）多尺度映射层和局部极值层：
在 DehazeNet 模型中，为充分提取输入特征图中不同范围感受野的雾霾特征，用不同卷积核大小的卷积层构建多尺度映射层。
3）非线性回归层和输出层：
在非线性回归层，DehazeNet 中采用新的双边纠正线性单元，该单元不仅能够保证对双边进行修正，还可以保证局部的线性。
基于多尺度卷积网络 MSCNN 的图像去雾算法
通过 DehazeNet 得到的透射率并未细化，针对该问题，设计了一种多尺度卷积神经网络模型MSCNN 用于图像去雾。MSCNN 模型由粗尺度卷积网络和细尺度卷积网络组成，网络的输入为有雾图像，输出为输入图像对应的透射率图。
（1）粗尺度卷积神经网络： 粗尺度卷积神经网络的任务是预测场景的整体透射率图。粗尺度卷积神经网络由多尺度卷积层、池化层、上采样层以及线性连接层组成。
（2）细尺度卷积神经网络：
细尺度卷积神经网络的任务是细化上述粗尺度卷积神经网络输出的粗略透射率图，通过将有雾图像和粗略透射率图输入细尺度卷积神经网络，可以得到更加准确的透射率图。基于多合一卷积网络 AOD-Net 的图像去雾算法
基于多合一卷积网络 AOD-Net 的图像去雾算法
分析了两种具有代表性的非端到端的卷积神经网络模型DehazeNet和 MSCNN，这两种模型均基于先验知识构建卷积神经网络模型，当有雾图像中物体背景和大气光接近时，可能会导致估计的大气光照值出现误差。并且，通过单独估计两个未知参数透射率值和大气光照值，再将两个参数的估计值代入大气散射模型中可能会进一步增大误差，影响去雾的效果。为解决该问题，提出首个端到端的卷积神经网络模型AOD-Net 用于图像去雾，AOD-Net 模型的输出即为去雾后的清晰图像，并且无需单独估计透射率值和大气光照值。到变换后的公式如下：
将输入图像的透射率值和大气光照值进行合并，可以得到：
AOD-Net 模型将多个级联的卷积层、全连接层进行组合构建端到端的去雾模型，得到的输出为透射率和大气光照的合并值K （x )，再将K （x )代入公式，即可得到去雾后的无雾清晰图像。图 2.7 所示为 AOD-Net 算法实现框架图。
实现效果图样例
以下分别是CLAHE 算法处理后的图像在物体边缘处出现明显的块效应。同态滤波算法处理后的图像比较明亮，对物体边缘的处理效果不错，但对图像中心区域的去雾效果不佳。MSRCR 算法
处理后的图像出现明显的颜色失真，图像部分区域的颜色过深。 DCP 算法处理后的图像颜色偏暗，并且天空区域出现颜色失真， BCCR 算法处理后的图像在天空区域同样出现颜色失真，天空区域过度曝光，并且图像中心区域的去雾效果不均匀。DehazeNet 算法、MSCNN 算法和 AOD-Net 算法处理后的图像比较符合人眼视觉感知，其中 AOD-Net 算法对图像中心区域去雾的效果更明显，但是颜色较暗。
我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。
毕设帮助，疑难解答，欢迎打扰！
最后
