多尺度窗口的自适应透射率修复交通图像去雾方法

基于传统暗原色先验原理的图像去雾算法存在的“halo”效应,且图像中明亮区域存在颜色失真现象,针对此问题,本文提出了多尺度窗口的自适应透射率修复交通图像去雾方法。首先,利用新的8方向边缘检测算子求取图像中景深突变区域,根据暗通道先验理论和前一步求得的景深突变区域,在景深变化较大区域使用5 X 5的窗口,景深变化较小区域则使用15 x 15的窗口得到暗原色估计图。同时,针对暗通道先验原理对近景部分存在白色区域时透射率估计不准确的问题,引人了自适应透射率修复方法,通过引导滤波器得到边缘增强后的暗原色图像,并利用其与原暗原色图像的纹理差对近景区域的透射率进行修正,完成图像去雾。实验结果表明:双边滤波和梯度双边滤波两种算法均存在halo现象,并且在包含白色物体的明亮区域色彩失真严重,客观评价指标失去意义;相比于引导滤波,本文去雾算法的各项指标均有所提高,其中平均梯度平均提高了8.305%,PSNR平均提高了12.455%,边缘强度因子平均提高了7.77%。本文算法有效解决了复原图像中“halo”效应现象和明亮区域颜色失真现象,去雾效果最优。

基于改进LeNet-5网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。