基于深度学习的序列交通图像去雾方法

• 作者: 廖干洲 高帅
• 来源期刊: 计算机仿真
• 学科: 工学
• 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
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 交通体系与工具仿真
• 页码范围: 97-100,141
• 页数: 5页
• 分类号: TP391
• 语种: 中文

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	廖干洲		9	7	1.0	2.0
2	高帅		1	0	0.0	0.0