臧景峰 安彦霖

摘要：目前视频去雨雾技术只在去雾或去雨、去模糊、图像配准等某一个特定任务中表现很好，具有一定的局限性。而卷积神经网络的堆叠和利用可以同时实现视频图像增强所需的多种功能。本文基于卷积神经网络对含有雨雾的视频图像进行处理，采用深度残差网络实现视频图像去雨雾。本文灵活运用深度学习，得到了一种优化的视频去雾雨算法，具有重要的研究意义和实用价值。

关键词：图像增强;图像去雾雨;深度学习;深度残差网络

引言

近年来，视频图像成了人们获取信息的必要途径。雾、雨、雪等恶劣天气为图片带来的噪声和污染，常常会导致后续的分类和识别不准等影响，因此图像去雨雾的研究对于需要在恶劣天气下进行图像处理的具有极大的应用价值。现有的方法有实时性低、处理过程计算量大的缺点。本文在卷积神经网络的基础上，提出了一种基于深度残差学习的视频去雨雾网络，对图像去雾去雨研究具有重要意义。

1 深度学习基础

1.1深度残差网络原理

深度残差网络采用跳跃连接的方式，直接将输入信息绕道传到输出，整个网络只需要学习输入、输出差别的部分，简化学习目标和难度，解决了由于网络层数加深产生的梯度消失和爆炸的问题。

假设网络输入X，希望输出H（X），那么网络就只需要学习输出一个残差F（X）。令残差函数F（x）=H（x）-x，则原函数变为F（x）+x，于是直接在原网络的基础上加上一个跨层连接，这里的跨层连接也很简单，就是将X恒等映射（Identity Mapping）传递过去。……