多尺度CNN结合散射模型的单幅图像去雾新法

本文主要探讨了"改进多尺度卷积神经网络的单幅图像去雾方法"这一主题，针对现有的图像去雾技术存在的问题，如天空区域的光晕和色彩失真，作者提出了一种创新的方法。研究者们关注的是在雾天环境下，由于大气中的浑浊介质导致的图像质量下降，这在视频监控、目标识别和场景分析等领域造成了困扰。传统的图像增强方法可能无法充分恢复图像细节，而图像复原方法虽然试图理解雾天图像的退化过程，但仍有改进空间。 作者提出的算法采用多尺度卷积神经网络来处理这个问题。首先，通过与不同尺度的卷积核进行卷积操作，原始有雾图像被转换为一系列特征，这些特征有助于捕捉雾气对图像的不同层次影响。接着，通过引导滤波器对这些特征进行优化，得到更精细的传播图，这一步旨在减少光晕效应并提高图像的清晰度。 利用粗略的传播图和有雾图像，算法进一步计算出全局的大气光，这是去雾的关键步骤，因为它能够模拟雾气对光线的散射和衰减。随后，通过大气散射模型，研究人员反向推导出清晰无雾的图像。这种方法特别强调对天空区域的处理，因为这是传统去雾方法常遇到的挑战。 实验结果显示，改进的多尺度卷积神经网络在保持图像纹理细节的同时，显著改善了天空区域的视觉效果，降低了色彩失真。这表明该方法不仅提高了图像的整体清晰度，还保留了图像的自然外观。论文的关键词包括图像去雾、图像复原、多尺度卷积和散射模型，研究成果发表在《计算机工程与应用》杂志上，并得到了DOI标识，证明了其在学术界的重要性和价值。这项工作为单幅图像去雾提供了一种有效且具有竞争力的技术解决方案。