给大家推荐6篇关于图像去雨的计算机专业论文

今天分享的是关于图像去雨的6篇计算机毕业论文范文, 如果你的论文涉及到图像去雨等主题,本文能够帮助到你

基于深度残差生成对抗网络的单幅图像去雨算法研究

这是一篇关于图像去雨,深度学习,残差网络,生成对抗网络的论文, 主要内容为恶劣的天气条件会导致能见度下降,极大的影响获取的图像的内容和颜色。例如雨作为一种常见的天气状况,在户外拍摄时,雨水条纹会严重损害图像质量。雨图像中最常见的退化为在小区域产生严重的强度波动,从而阻碍和模糊场景。雨水的存在极大地阻碍了视觉系统应用程序的工作表现,因为它们通常依赖于干净的图像作为输入。去除雨水不仅能提高图像的视觉感知质量,也有利于各种高级视觉任务,如目标检测和图像识别。因此图像去雨技术的研究就变得十分有必要。针对图像去雨问题,本文提出了两种不同的研究方法:双U-Net生成对抗网络(Double U-Net Generative Adversarial Network,DU-GAN)的单图像去雨方法;基于残差网络的多级子网络(Multi Scale Progressive Residual Network,MSRNet)的单幅图像去雨方法。本文的主要贡献为:(1)为了从有雨图像无失真的得到无雨图像,减少图像结构信息丢失的问题,基于生成对抗网络(Generative Adversarial Network,GAN)提出了一种双U-Net的生成对抗网络模型进行图像去雨。在网络模型中使用两个U-Net级联作为生成器,能够明显提高生成图像质量。此外,本文还使用更符合人类视觉效果的(?)1和结构相似度损失函数作为生成器的损失函数。通过在合成有雨图像和真实有雨图像数据集上的实验证明,此方法效果优于其它先进的去雨方法,能够有效的从有雨图像中获得无雨图像。(2)为了缓解过度或不充分地去雨问题,本文没有明确地设计网络估计雨痕的密度,而是提出了一种基于残差网络的多级子网络的单幅图像去雨方法。首先在大尺度水平的子网络上去除大雨条纹;再减小网络的感受野,经由较小的感受野的子网络,从降雨图像中去除较小尺度的雨痕;最后,将去雨后的图像经由一个小感受野的子网络处理,恢复图像的背景细节。由于恢复的图像与其雨图像之间的残差可以表示缺失的背景细节和雨区域,本文利用残差图像作为注意图和待处理图像共同作为下一级子网络的输入。通过这种方式,本文的网络可以区分哪些区域被雨水污染,然后根据注意图的权重(即残差)去除雨水条纹。通过大量实验证明,该算法能获得最佳的视觉效果。在雨水去除过程中,MSRNet能逐步将雨水条纹从雨水图像中分离出来,有效解决了雨水条纹重叠的问题。

基于深度学习的图像行人检测与去雨算法研究

这是一篇关于行人检测,关键点,图像去雨,信息蒸馏,递归网络的论文, 主要内容为在传统监控信息收集和智能车路协同系统中,相比交通标志、车辆等普通目标,由于行人姿态多样、尺度多变、背景复杂和易产生遮挡等问题,使得行人的检测更具挑战性。在雨天场景下,由于近处雨线的遮挡和远处雨水的雾化效果,使得图像产生大范围模糊和小范围的形变。尤其在强降雨条件下,雨纹噪声的存在会严重影响图像清晰度,导致单幅图像下的行人检测变得更加困难。针对行人目标宽高比差异大。基于Center Net目标检测算法,将行人检测定义为对行人目标中心关键点的预测。使用改进的深层聚合网络PDLA作为主干网络提取特征,使下采样过程速度更快且不影响所提取特征的细节。改进确定关键点的热力层,使用高斯椭圆作为高斯核,并推导出高斯椭圆的边缘尺度。改进后的高斯椭圆长短轴自适应预测边界框的高宽比,提升了算法对宽高比差异大的行人的检测能力。实验表明,提出的行人检测算法对比原Center Net算法,检测精度更高且速度更快。将一组不同特性的检测结果与基准标注对比,体现了算法在不同行人场景下的适应性。针对现有去雨方法无法有效处理雨图像中方向不同,分布和密度不均匀的雨纹。提出一种基于信息蒸馏注意力递归网络图像去雨算法,通过高效的信息蒸馏注意力网络进行特征提取,使用多重特征融合注意力模块进一步细化雨纹特征的提取。网络整体采用递归策略进行逐步去雨,通过长短时记忆模块防止低层信息的丢失,增强去雨后图像的细节恢复。实验表明,与其他现有方法相比,在三种不同的仿真数据集上,本文方法获得了较高的指标,有效去除雨纹的同时保留大量的图像背景细节,整体视觉效果更好。

基于深度学习的图像行人检测与去雨算法研究

面向多尺度雨痕清除和细节保留的图像去雨研究

这是一篇关于图像去雨,深度学习,多尺度特征融合,细节保留的论文, 主要内容为在室外场景拍摄图像容易受到降雨因素的干扰,导致成像设备获取的图像中存在雨痕,进而影响其他计算机视觉任务的后续执行。图像去雨的目标就是清除有雨图像中的雨痕,复原清晰的无雨图像,所以对图像去雨展开研究具有实际的应用价值。目前许多研究者利用深度学习,设计基于卷积神经网络的算法去除雨痕并重建无雨图像。但是这些算法仍然存在两个问题,一是图像中有多种尺度的雨痕,难以将其彻底清除,二是图像细节容易丢失,导致背景比较模糊。本文针对这两个问题展开研究工作,具体内容如下:(1)针对雨痕难以被彻底清除的问题,提出了一种基于多尺度特征融合网络(Multi-scale Features Fusion Network,MFFN)的图像去雨算法。由于雨痕具有不同尺度,利用提出的多尺度特征融合模块逐步提取不同尺度的雨痕特征,再将提取到的特征信息通过两种方式进行融合,提升网络对多尺度信息的学习能力。随后,使用提出的双重注意力模块对特征的通道信息和空间信息进行加权处理,提高重要特征通道和雨痕所在区域的权重,使得网络更加关注不同尺度的雨痕特征和雨痕存在的位置。最后,采用混合损失函数在像素差异和结构相似上共同约束网络。将MFFN在合成数据集和真实数据集上进行了测试,结果表明MFFN能够有效地清除图像中不同尺度的雨痕。(2)针对背景细节容易丢失的问题,提出了一种基于雨痕清除与细节保留双分支网络(detail-preserving image deraining via Dual-branch Rain Removal Network,DRR-Net)的图像去算法。网络由两个分支组成,分别称为上分支和下分支。首先在上分支提出了雨痕注意力残差模块,该模块先提取雨痕的深层特征,再对特征进行自适应权重分配,避免背景细节被错误地去除,特别是一些与雨痕相似的物体。其次在下分支提出多尺度雨痕聚合模块用于扩大感受野,捕获更多有用的上下文信息,增强网络对不同尺度雨痕的关注。然后合并两个分支,利用精炼模块进一步提高输出图像的质量。最后,采用混合损失函数最小化输出图像和无雨图像之间的差异。实验结果表明,DRR-Net能够有效清除多种尺度的雨痕并显著减少图像细节的丢失,该算法的去雨结果在视觉效果和整体评价指标数值方面均优于其他几种先进的去雨算法。

基于Android的车载雨天车道偏离预警系统研究与设计

这是一篇关于车道线检测,图像去雨,注意力机制,车道偏离预警,语义分割的论文, 主要内容为车道偏离预警系统作为高级驾驶辅助技术的核心之一,能够提高行车效率和保障驾车安全。目前车道偏离预警系统一般作为选配部署在部分高端车型上,其应用过程复杂,需要安装的组件较多,价格昂贵,不利于该系统在中低端车型上应用;此外车道线检测的实时性、准确性与鲁棒性直接决定了车道偏离预警系统的整体性能,但在雨天环境下,雨水会造成车道线模糊、遮挡等问题,导致图像质量降低,致使车道线检测精度下降,造成预警功能失效;再者现有的车道偏离预警模型复杂度高、运算量大,无法同时满足准确性和实时性的要求。针对上述这些问题,并结合搭载Android的车载中控屏已大量普及的现状,本文设计了一种基于Android的车载雨天车道偏离预警系统,对雨天车道偏离预警算法进行轻量化设计,并将其以软件的形式应用于车载中控屏。本文主要研究内容如下:(1)设计了一种基于GAN改进的轻量化去雨算法。本文引入了两个可学习参数?和?提供关键的辅助信息来解决模型的适应性问题。基于生成对抗网络思想,从特征解耦的角度出发,设计了一种轻量化双分支的学习去雨模型DB-GAN,并采用深度可分离卷积对生成器和判别器进行设计。在数据集方面,本文使用Raindrop雨滴数据集和Rain Land2023雨纹数据集对模型进行训练和测试。实验结果表明:DB-GAN去雨网络模型复杂度低,实时处理任务能力强,能够较好的还原雨图中车道线细节。(2)设计了一种基于注意力机制的轻量化车道线检测算法。针对车载中控屏内存、计算资源有限,本文设计了轻量化Ghost Net-CBAM-UNet车道线检测算法。Ghost Net V2具有参数量小和运算量小等优势,本文选择Ghost Net V2作为车道线检测的主干网络,对输入图像进行特征提取,并对UNet语义分割网络进行改进,引入CBAM注意力机制,增强了网络的表达能力。最后使用改进RANSAC算法对车道线进行拟合,并采用卡尔曼滤波器对车道线进行跟踪,以获得稳定、准确的车道线拟合参数。实验结果表明:Ghost Net-CBAM-UNet车道线检测算法在准确率和运行效率上表现较为优异。(3)设计并实现了雨天车道偏离预警系统。分析了四种常用的车道偏离预警模型的优缺点,建立了一种基于偏离角和车道横向偏移距离的预警决策模型,并结合去雨算法和车道线检测算法设计了雨天车道偏离预警算法。利用ncnn前向推理框架进行模型转换,并部署到搭载Android的车载中控屏中,最终完成雨天车道偏离预警系统的构建。实验结果表明:该系统内存平均占用120MB左右,CPU平均占用10%,帧率为30.3fps,预警准确率为93.85%,相比于CCP模型提高了3.62%。系统整体性能良好,能在雨天环境下准确对车道线进行检测,并实时作出车道偏离预警。