基于改進AOD-Net的圖像去霧算法
電子技術應用
侯明，梁文杰
昆明理工大學 信息工程與自動化學院
摘要： 為了更好解決圖像去霧后顏色失真、去霧不徹底和耗時等問題，提出了一種基于改進AOD-Net的圖像去霧算法。首先，在原有的卷積模塊中引入殘差連接，并保留了第二個特征融合層第一層的特征信息，以增強網絡的特征提取能力。其次，在第三個特征融合層后引入注意力模塊，強化霧圖中的關鍵特征信息，抑制無關背景干擾。最后，采用新的復合損失函數進行訓練。實驗結果表明，改進算法在公共數據集上的峰值信噪比提高了3.8 dB，結構相似性達到了93.6%。相較于其他去霧算法，該算法在去霧精度和處理效率方面均表現出色。
中圖分類號：TP391 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.244857
中文引用格式： 侯明，梁文杰. 基于改進AOD-Net的圖像去霧算法[J]. 電子技術應用，2024，50(4)：60-66.
英文引用格式： Hou Ming，Liang Wenjie. Image defogging algorithm based on improved AOD-Net[J]. Application of Electronic Technique，2024，50(4)：60-66.
中文引用格式： 侯明，梁文杰. 基于改進AOD-Net的圖像去霧算法[J]. 電子技術應用，2024，50(4)：60-66.
英文引用格式： Hou Ming，Liang Wenjie. Image defogging algorithm based on improved AOD-Net[J]. Application of Electronic Technique，2024，50(4)：60-66.
Image defogging algorithm based on improved AOD-Net
Hou Ming，Liang Wenjie
Faculty of Information Engineering and Automation， Kunming University of Science and Technology
Abstract： To address issues such as color distortion, incomplete defogging, and computational inefficiency in image defogging, this study proposes an improved image defogging algorithm based on the enhanced AOD-Net. Initially, a residual connection is introduced into the existing convolutional module, preserving the features of the first layer in the second feature fusion layer to enhance feature extraction capabilities. Subsequently, an attention module is introduced after the third feature fusion layer to strengthen the representation of crucial features in hazy images and suppress irrelevant background interference. Finally, a novel composite loss function is employed for training. Experimental results demonstrate that the proposed algorithm achieves a 3.8 dB improvement in Peak Signal-to-Noise Ratio (PSNR) and a structural similarity (SSIM) of 93.6% on a public dataset. Compared to other defogging algorithms, this algorithm exhibits superior performance in both defogging accuracy and processing efficiency.
Key words : image defogging；AOD-Net；residual connection；attention module；composite loss function
引言
霧霾是由于工業生產、交通運輸和能源消耗等活動排放大量污染物，積聚在大氣中形成的一種惡劣天氣狀況。隨著計算機視覺的不斷發展，目標檢測、目標跟蹤和遙感等技術逐漸被應用于智能交通和其他工業領域[1]。然而，在霧霾環境下，能見度急劇下降，影響了成像設備拍攝的圖像質量，給后續的高級視覺任務帶來了困難。因此，提高霧天圖像質量對實際應用至關重要。
目前的圖像去霧算法主要有3種：基于物理模型、圖像增強和深度學習的方法[2]。基于物理模型的去霧方法試圖模擬光在大氣傳播中與霧霾相互作用的物理過程，通過估計透射率和大氣光值來還原原始圖像。這類方法包括暗通道先驗算法[3]和顏色衰減先驗算法[4]。這些方法通常利用圖像的先驗知識解決大氣散射模型中的未知參數，但由于其依賴經驗統計規律，因此其適用場景受限。基于圖像增強的去霧算法旨在提高帶霧圖像的可見度和視覺質量，以減輕或消除霧霾對圖像的不利影響。這類方法包括直方圖均衡化、Retinex算法等，它們不依賴于物理模型，而是利用圖像的統計信息和視覺特征，然而，在去霧過程中可能會產生偽影，過度增強對比度導致圖像不真實。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000005950
作者信息：
侯明，梁文杰
（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）
此內容為AET網站原創，未經授權禁止轉載。