摘要
随着我国在工业、交通等领域的发展，雾霾天气在我国华北、东北地区频繁出现，尤其是在秋、冬季节时更为严重。雾霾天气不仅给人们的生活造成了极大的困扰，还给基于计算机视觉处理系统的任务带来不少挑战，由于雾霾的存在，收集的图像数据显示出诸如白色模糊，能见度差和饱和度下降等问题，从而阻止了后续任务的进行。所以，如何去除有雾图像中的有雾部分，还原出无雾图像，使得计算机系统能够在有雾霾的情况下工作具有十分重要的意义。 近年来，对去除雾霾的研究呈井喷式增长，众多科研机构纷纷推出各具特色的去雾算法。其中，基于物理模型的算法是根据大气散射模型来计算雾霾影响下的图像，先计算出大气光值和透射率，再运用散射模型计算出无雾图像。而基于深度学习的算法则分为两个方向:一是以大气模型为基础，通过神经网络计算各参数，从而获得无雾图像;另一则是通过输入有雾图像，并通过神经网络学习有雾图像与无雾图像之间的映射关系，最终实现端到端的去雾效果。但是现有的去雾算法还存在则去雾不不彻底，去雾后的图像出现失真、模糊，计算过程花费过长等问题。为了解决以上问题，本文基于卷积神经网络设计了两种去雾算法，主要研究内容如下: 设计了DA-Net(DualAttentionNetwork)去雾网络:现在大部分基于端到端的去雾网络去雾后存在去雾图像不彻底、易出现色彩失真等问题，为了解决以上问题，通过空间注意力、通道注意力及多尺度特征设计了一种基于注意力和多尺度卷积的去雾网络DA-Net。首先，设计了一种特征注意模块，该模块由注意力机制设计而来，根据不同的特征生成不同的权重，该模块增强了网络的特征表达能力;然后，设计了一个基本模块，由多尺度卷积层、局部残差结构和特征注意模块组成;为了进一步提升去雾效果，我们将该基本模块和全局残差学习结构相结合，设计出了DA-Net去雾网络，实现了端到端的去雾。在DA-Net网络中，多尺度卷积层能够更好地控制学习粒度，局部残差结构可以充分利用图片局部信息，特征注意模块有效地提升了图像全局信息的学习效果,全局残差学习结构则能够更好地促进梯度的流动和信息的传递，使得整个网络的学习效果更加出色。 为了解决端到端的去雾网络所面临的细节信息丢失和计算成本高的问题,设计了一种密集扩张卷积神经去雾网络DDC-Net(DenseDilatedConvolution)。为了提高该网络的去去雾效果，我们将网络分成预处理模块、主干模块以及后处理模块。DDC-Net中最基本的模块是密集扩张模块，该模块利用不同扩张率的扩张卷积设计，有效地保留了图像的细节信息。接着，我们将密集扩张模块与DA-Net中的特征注意模块相结合，形成了一个三行六列的网络。在DDC-Net中，我们采取了结合平滑L1损失和感知损失的损失函数对网络进行了优化，从而提高了网络的鲁棒性和准确率。通过使用扩张卷积替代普通卷积，DDC-Net能够有效地解决细节信息丢失和计算成本高的问题。通过主观和客观的评价，验证了DDC-Net去雾网络的有效性。
NETL