基于深度转移学习和局部平均适应的图像消除算法
1School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China.
Scientific reports
|July 31, 2025
概括
本研究介绍了一种使用深度转移学习和局部平均适应的新型图像消毒算法. 该方法有效地消除雾,提高图像质量,抑制噪音,在多个数据集中表现优于现有技术.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 雾显著降低图像质量,减少视觉感知范围,影响各种应用.
- 现有的图像除尘方法与明亮区域作斗争,并表现出较弱的抗噪能力,导致人工物和较低的峰值信号与噪声比 (PSNR) 值.
- 同时在明亮的区域实现有效的除气和强大的噪音抑制仍然是一个挑战.
研究的目的:
- 提出一种新的图像除尘算法,解决明亮区域和抗噪声的局限性.
- 为了提高除尘性能,增强图像细节,并确保高质量的视觉输出.
- 为各种数据集和现实世界的场景开发一个强大的和可通用的脱解决方案.
主要方法:
- 一个基于深度传输学习的大气光估计模块.
- 一种用于传输地图估计的局部平均适应技术.
- 集成无雾图像重建,图像增强和降噪模块.
主要成果:
- 拟议的算法在四个不同的数据集 (自制合成,SOTS,NH-HAZE,O-HAZE) 中实现了卓越的脱性能.
- 经过消毒的图像不会出现色彩扭曲,PSNR值始终超过30dB,结构相似度指数 (SSIM) 超过85%.
- 该方法有效处理明亮的区域,并显著减少残留噪声,显示出强大的概括能力.
结论:
- 拟议的深度转移学习和基于局部平均适应的除算法比现有方法有了显著的进步.
- 该模型提供了高质量的,不含文物的无雾化图像,具有增强的抗噪声性和强大的概括性.
- 开发的框架在自动驾驶,智能监控和其他基于视觉的系统中具有潜在的应用.
