刘 扬

(江苏自动化研究所,江苏连云港 222061)

恶劣天气环境下的图像清晰化处理是计算机视觉中的一个重要任务。如图1所示,许多计算机视觉应用如:军事作战(目标检测、目标识别、目标跟踪),安防系统和交通导航等都依赖于高质量图像。在下雨、下雪、起雾或者抖动等影响下,相机捕捉的图片会有一定程度的失真。由于沙尘、雨、雪、雾、霾等容易遮挡住图像中的目标,造成目标不明确,降低了图片内容的可识别性,使用低质量图片严重影响计算机视觉应用。因此,为了保证计算机视觉应用在恶劣天气下能够正常运行,需要对恶劣天气环境下拍摄的图像进行清晰化处理,降低图像的失真度,提高图像的质量。本文针对上述问题,结合卷积神经网络,提出了一种新的残差聚集网,用于恢复高质量图像。

传统的图像清晰化技术采用高斯混合模型、低秩估计、字典学习等技术。虽然传统技术能够取得一定的效果,但是由于雨、雪、雾、霾、抖动等影响因素在图像中表现为多方向、多密度、多类别,简单地使用传统方法难以建模图像中的复杂影响因素。因此,传统技术在多数情况下会失去原有的性能。

图1 图像清晰化处理与计算机视觉应用

近几年来,随着计算机计算能力的不断提高,深度卷积神经网络得到迅猛发展,卷积神经网络在计算机视觉任务上得到了广泛的应用。在众多图像处理任务如图像去雨流、图像去噪、图像去雾、图像去模糊、图像去雨滴等有重要突破。……