基于深度学习的序列交通图像去雾方法

摘要：

受大气散射影响,序列交通图像的细节特征损失较大,图像像素较低,为此提出基于深度学习的序列交通图像去雾方法.根据雾化图像表达式和相同大气密度下光线载体传输图定义式,构建大气散射模型,运用该模型获取图像特征序列.利用深度学习自编码网络中的网络层,建立输出定义式与特征损失函数式,在样本中引入图像特征序列,得到特征块序列,依据雾特征图和散射率的非线性映射关系获取散射率图.采用修正函数调整卷积层输出像素值为正,将局部块代入自编码网络,并添加特征块序列至卷积神经网络的输入层,对输出的散射率图进行导向滤波处理,实现序列图像雾特征的去除.仿真结果表明,去雾后图像的细节特征更加突出,大幅度提升了图像的对比度.

关键词：深度学习、序列交通图像、去雾、自编码网络、卷积神经网络、大气散射

所属期刊栏目：37

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金青年科学基金项目F050105

在线出版日期：2020-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：97-100,141