论文总字数：16536字

摘 要

由于空气中时常悬浮着颗粒物，当密度达到一定程度时，由于大气中光线的折射作用，会使得图像获取的质量下降，造成图像的退化。图像去雾的算法目的是去除图像由于外界因素所造成的退化，并且保留图像中的细节信息，得到与无雾图片相似的处理图片。

本文主要研究了一种基于循环生成对抗网络进行图像去雾的方法，将自然有雾图像的去雾过程视为同一场景图的有雾图像到无雾图像的一种风格转变。本文首先介绍了图像去雾的发展过程和国内外研究现状，分别介绍了一些比较经典的图像去雾算法。然后提出了利用生成对抗网络进行图像去雾的原理和网络结构。最后对实验结果进行展示和分析，利用处理图片的结构相似性和峰值信噪比与经典的去雾算法进行比较，分析循环生成对抗网络进行去雾的优缺点。

实验结果表明，在利用cycleGan网络图像去雾时，明显解决了当前大多利用用大气散射模型和大雾成像规律模型去雾方法中，去雾效果不显著，纹理信息损失的问题。并且对传统先验模型中出现的颜色偏移，对比度不自然的问题得到了有效解决。

关键词：图像去雾 循环生成对抗网络 暗通道算法 结构相似性 峰值信噪比

Abstract

Because particles are often suspended in the air, when the density reaches a certain degree, due to the refraction of light in the atmosphere, the quality of image acquisition will decline, resulting in image degradation. The purpose of image de fogging algorithm is to remove the image degradation caused by external factors, and retain the details of the image to get the similar processing image with non foggy image.

This paper mainly studies a method of image de fogging based on cyclic generation network, which regards the process of natural fog image de fogging as a style change from fog image to non fog image in the same scene image. Firstly, this paper introduces the development process of image de fogging and the research status at home and abroad, and introduces some classic image de fogging algorithms. Then, the principle and network structure of image defogging by using the generation countermeasure network are proposed. Finally, the experimental results are shown and analyzed, and the advantages and disadvantages of the cyclic generation anti fog network are analyzed by comparing the structure similarity and peak signal-to-noise ratio of the processed image with the classical anti fog algorithm.

The experimental results show that when using the cyclegan network image to remove fog, it can obviously solve the problem that the defog effect is not significant and the texture information is lost in most of the current defog methods using the atmospheric scattering model and the fog imaging law model. And the problem of color offset and contrast in traditional prior model is solved effectively.

Key words:Image defogging ;Histogram equalization ;Dark channel algorithm;Cyclegan network; Structural similarity ;Peak signal to noise ratio

目 录

摘要 I

ABSREACT II

第1章 绪论 1

1.1 图像去雾的研究背景 1

1.2 图像去雾的国内外研究现状 1

1.3 本文主要工作 2

第2章 生成对抗网络模型介绍 4

2.1 生成对抗网络的原理 4

2.2生成对抗网络损失函数介绍 4

2.3 生成对抗网络的训练步骤 5

2.4 循环生成对抗网络原理介绍 6

2.5本章小结 7

第3章 基于循环生成对抗网络的图像去雾方法 8

3.1 基于循环生成对抗网络的图像去雾原理 8

3.2 生成器与判别器的网络结构 9

3.3 损失函数 11

3.4 数据集及编译环境和训练参数设置 12

3.5 本章小结 13

第4章 实验结果与分析 14

4.1 图像质量评价指标介绍 14

4.2 实验结果展示与分析 14

4.3 本章小结 17

第5章 总结与展望 18

5.1 总结 18

5.2 展望 18

参考文献 19

致 谢 20

第一章 绪论

1.1图像去雾的研究背景

雾天时,空气中的水气和悬浮物在空气中扩散，使人们视野受限,使得物体的能见度也大大降低。室外获得的大雾天气下的图像质量会受到非常大的影响,获取图像的亮度，对比度和可见度等特征会很不容易,这很大程度上降低了图像的价值。即使不是在能见度低的环境下拍摄的照片,由于大气对光线的散射作用,照片的质量也会受到一定程度的影响。这不仅给人们的日常造成了不便，同时给工业生产也带来了很大影响。例如交通监管系统,摄像头如果捕获质量退化的图像会对交通肇事情况漏判；同时在军事方面，有雾图像会对军事决策产生影响，可能造成不可估量的后果。因此在生活中的许多领域都会用到图像的去雾算法^[1]。去雾算法的研究具有非常深远的意义。

另一方面,随着社会的进步和计算机技术的发展,图像处理广泛用于众多的科学和工程领域重要领域，数字图像处理技术从产生到发展至今,在工作和生活的各个领域都起到了积极的作用，创造了巨额的社会价值。计算机的视觉系统非常容易受到天气因素的影响甚至导致其无法正常工作。由于经济的高速发展，雾霾天气也频频发生。雾霾天气是对视觉影响最严重的一种。计算机视觉研究高度关注的科技之一就是图像去雾技术。为了保证电子视觉器件能够适应各种环境与天气,就必须使其系统能够处理各种状况,这样使整个系统的可信性得到提高。

因此,和对图像复原和图像增强的技术一样，对图像去雾算法进行研究对工业发展和人们生活有着重要意义^[2]。同时对生产生活也有很大的促进作用。同时也会保证电子视觉系统免受天气状况的干扰和影响。因此，图像去雾技术的应用有着光明的未来。

1.2图像去雾的国内外研究现状

图像去雾这一研究领域的研究算法有很多，虽然算法很多但无外乎两类一类是基于深度学习模型的去雾算法，一类是不考虑雾天图像的成像规律也不利用大气散射模型^[3]基于图像增强的去雾算法。基于图像增强的去雾算法。根据退化图像亮度不高对比度不明显的特点，从视觉效果上对图像的信息进行增强，最终使图像的质量得到改善和提高。基于模型的去雾算法旨在利用先验知识建立起形成有雾图像的数学模型，利用建立的模型和深度学习知识对有雾图像进行处理，从而达到去雾的目的。

其中基于图像增强的去雾算法主要有:直方图均衡法,Retinex算法等。其中直方图均衡化算法是运用直方图均衡化的知识将灰度直方图进行均匀分布,将彩色图像的R,G,B通道的灰度分布进行均衡化化处理,各通道再经过重新融合之后得到视觉效果更强的图像,实现雾天图像的去雾操作^[4]。为了增加该算法的实用价值和一般规律性,JA.Stark等对该方法进行了数学建模，加入了可调控的参数来增加该方法的普适性。Land等于1971年提出了Retinex算法,该算法是一种以人眼视觉感受特点为基础,结合实验与分析,进而提出的一种有效的图像增强方法^[5][6][7]。Retinex算法把光照强度分为两部分，一部分是照射到物体表面的光，一部分是物体反射的光。Retinex算法对反射光进行增强，从而实现图像的增强效果。该算法对色彩对比度比较低的图像的增强效果显著。

基于深度学习模型的去雾算法在雾天成像模型的基础上引入了成像机制，进一步实现去雾的目的。Mc于1975年提出了大气散射模型，随后广大研究学者基于该理论模型通过大量实验和分析对雾天图像进行了研究^[8]。从原理上进一步来说，现在流行的基于模型的去雾算法可以分为以下两类。基于雾气深度已知的去雾算法和基于先验条件的去雾算法。基于先验条件的去雾方法，近年来图像去雾领域的最佳成果是He等提出的暗通道去雾算法^[9][10][11],该算法利用了暗通道的知识对图像进行去雾操作，暗通道就是图像的任一个像素点附近都存在一个颜色值为零的暗通道。该算法对图像去雾有着显著的效果，除了一些亮度高的像素点外。该算法也有些许不足，比如会造成图像的部分颜色丢失。后续的研究着已经针对该问题作出了改进措施。在最近的文献中基于生成性对抗网络（GANs）的方法，它们在不利用这些中间参数的情况下构建Goodfellow等人介绍的生成对抗网络（GANs）^[12][13][14]。在数字图像处理研究中非常成功，例如图像增强、图像修复和样式转换。他们的主要目标是生成与目标域上的原始图像不可区分的伪图像。利用GANs进行单图像去雾，这种最新的方法要求输入图像的模糊性及其成对的真实。CycleGAN提出了循环一致性损失用于图像到图像的转换^[15][16][17]，从而消除了对成对数据的需求。

请支付后下载全文，论文总字数：16536字