计算机工程

作者：丁泳钧, 黄山

单位：四川大学 电气工程学院, 成都 610065

关键词：图像去雾,图像复原,图像增强,深度学习,生成对抗网络

基金：教育部产学合作协同育人项目（202002109040）。

雾霾天气会使计算机视觉相关系统获取到的图像质量下降并影响系统的正常工作。传统图像去雾算法通过分析大量图像建立模型，并找出清晰图像与模型之间的映射关系，但该类算法大多存在颜色失真和图像失真的问题，且在某些特定场景下可能失效。基于卷积神经网络的去雾算法得到的图像质量相对较好，但是该类算法对数据集要求较高，普遍需要成对数据进行训练，而获取同一时刻和场景下的有雾图像与无雾图像难度较高。提出一种基于循环生成对抗网络（CycleGAN）的改进图像去雾算法，该算法无需使用成对的数据进行训练。通过优化生成器生成的无雾图像与真实无雾图像之间的颜色损失，使得生成器能够生成与无雾图像具有相同颜色分布的图像。同时，通过向2个生成器中分别添加对应目标域图像的输入并引入特征损失函数，以解决经典CycleGAN在图像转换时存在的图像失真问题，从而更好地还原原始图像的细节特征。实验结果表明，相较DCP、CycleGAN、AOD-Net、Cycle-dehaze等算法，该算法的结构相似度提高4.3%~23.0%，峰值信噪比提高2.3%~36.9%，其能取得更好的去雾效果。

来源：2022年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第6期