图像去雾中深度学习数据增强方法

图像去雾是图像处理领域中非常重要的问题。深度学习可以有效提高图像清晰度,但训练过程中由于缺少相对应的真实雾匹配数据对,多采用合成雾作为数据集。现有合成雾多依赖于深度信息、大气散射系数等参数,针对由此作为数据集训练容易造成颜色失真和去雾不彻底的问题,提出基于循环生成对抗网络(CycleGAN)合成雾方法。通过该网络进行不匹配数据对训练学习有雾图像的特征,然后赋予清晰图片真实雾特征并与其自身构成匹配数据对,最后再用此类数据集进行去雾训练。结果表明,这些数据集可以有效解决颜色失真和去雾不彻底等问题。

基于复合神经网络提升亚米级卫星影像质量

低能见度情况下,大气粒子对太阳辐射的散射和吸收效应,降低了卫星影像像质和空间分辨率,传统图像处理方法和现在普遍应用的深度学习算法无法同时提升图像像质和空间分辨率。为了改变该现状,文章提出了基于网格去雾网络(GridDehazeNet)和真实超分辨率生成对抗网络(Real-ESRGAN)组合的复合神经网络。首先采用GridDehazeNet卷积神经网络架构提升卫星影像的清晰度和对比度,再利用Real-ESRGAN增强型超分辨率生成对抗网络以提升卫星影像空间分辨率;最后利用Worldview-3多光谱图像对不同算法进行了测试,并对比不同算法的测试效果。结果表明:该复合神经网络在改善图像像质和分辨率方面效果显著,其中清晰度提高了39.11倍,对比度提高了3倍,信息熵值提高了34%;且同时避免了传统算法所带来过度增强和噪声问题,对小目标物的识别和解译的准确率有显著提高。