恶劣环境降质图像增强的主要目的是提高采集围像的质量和可辨识度，从而使智能视频监控系统更有利于观察或进行下一步的智能分析处理，由于计算机对图像的理解能力极度依赖输入图像的质量，因此图像质量增强技术目前已广泛应用于计算机视觉任务的预处理中，具有重要的理论研究意义和实际应用前景。本书立足智能视频监控系统的实际需求，针对雾、雨天气条件下的图像质量退化问题，系统介绍了图像去雾、图像去雨相关研究成果，详细讨论了基于深度学习的恶劣环境降质图像增强方法。本书系统介绍了相关方法的研究背景、理论基础和算法描述，并给出了相应的实验结果，主要内容包括:雾、雨形成机理，数学模型以及图像去雾，图像去雨研究现状(第1章);图像去雾典型算法及常用数据集(第2章):图像去雨典型算法及常用数据集(第3章):基于深度学习的图像去雾算法(第4~7章):图像去雨算法(第8章)等。本书是计算机图像处理方面的专著，反映了作者近年来在这一领域的主要研究成果本书内容新颖、结构清晰、语言简练，可作为大专院校及科研院所模式识别、图像处理和机器视觉等领域的高年级本科生、研究生的教材和参考书，也可作为相关领域的教师、科研人员以及从事图像恢复、图像增强工程技术人员的参考书。
前言
由于当前安全形势的日益严峻以及军事斗争的迫切需要，利用先进前沿的计算机视觉技术实现监控视频数据的智能感知、智能决策等智能化分析，对提供高效、准确、实时的监控服务，增强安全性、提高效率和优化资源利用具有重要意义。智能视频监控系统能够解决人员因长时间、高强度关注监控画面而产生的视觉疲劳，有效降低错检、漏检情况发生的可能性。上述智能视频监控系统功能实现的基础条件是监控视频数据的准确感知，然而由于计算机尚不具备人脑强大的信息推理能力，因此智能视频监控系统对场景内容的理解程度极大依赖于采集视频(图像)的质量，然而户外视觉传感器由于常年受到雨等环境影响，导致采集视频出现多种退化降质现象。例如:在雾霾天气下空气中的悬浮粒子对光线传播产生折射和散射作用，使视觉传感器采集的图像呈灰白色，导致物体特征难以辨认;在大雨条件下，雨水快速下落和聚集形成雨纹，导致视觉传感器采集图像的部分区域被遮挡。上述图像降质现象严重影响着智能视频监控系统对监控视频数据的准确感知，然而当前技术水平尚无法从硬件层面对上述图像降质现象进行处理，为此在现有视觉传感器的基础上如何利用计算机视觉、机器学习等技术手段，实现雾、雨等恶劣环境下降质图像质量的增强处理，从而提升视觉传感器的抗于扰能力和在高级视觉任务中的智能化应用效果，具有重要的研究意义和广阔的应用前景。
目前深度学习已成为恶劣环境降质图像增强领域的主要研究方向，该类方法以神经网络为基础架构，采用数据驱动方式学习降质图像与清晰图像之间的非线性映射关系，从而将降质图像转换为高质量图像，有效避免了传统图像增强方法因引人人工先验而导致的人为误差。鉴于此，本书立足于智能视频监控系统的实际需求，针对图像去雾、图像去雨相关理论，系统介绍了图像去雾图像去雨近二十年的发展情况，包括传统图像去雾、图像去雨方法以及当前主流基于深度学习的图像去雾、图像去雨方法等，并重点阐述了笔者的相关工作。
全书共分为8章。第1章主要介绍雾、雨形成机理、数学模型，以及图像去雾、图像去雨相关研究现状;第2章主要介绍传统图像去雾和深度学习图像去雾的代表性算法，以及图像去雾算法广泛使用的数据集和评价指标等:第3章主要介绍传统图像去雨和深度学习图像去雨的代表性算法，以及图像去雨算法广泛使用的数据集和评价指标等:第4~7章介绍作者在图像去雾领域的相关研究工作，包括基于递归卷积的多尺度深度图像去雾算法、基于先验信息引导的多编码器图像去雾算法、基于物理模型引导的多解码器图像去雾算法、基于物理分解的弱监督图像去雾算法等:第8章介绍作者在图像去雨领域的相关研究工作，即基于多阶段特征融合的图像去雨算法。
本书由崔智高拟订全书的大纲和撰写第1~3章，并对全书进行统稿、修改和定稿，由王念执笔第4、5章，苏延召执笔第6、7章，兰云伟执笔第8章。本书在著述过程中得到了火箭军工程大学机关、机电教研室的支持和帮助，在此一并表示感谢。
由于图像去雾、图像去雨相关研究更新速度快，加之作者水平有限，本书难免存在不妥之处，谨请读者指正。
作 者
2024年9月于西安
第1章绪论
1.1智能视频监控技术
1.1.1视频监控技术发展阶段
1.1.2典型视频监控系统
1.2图像质量增强技术
1.2.1图像去雾技术
1.2.2图像去雨技术
1.3本书内容安排
参考文献
第2章图像去雾典型算法及常用数据集
2.1基于暗通道先验的图像去雾算法
2.2监督学习图像去雾算法
2.2.1DCPDN
2.2.2ACRE
2.2.3SID
2.3弱监督图像去雾算法
2.3.1CycleGAN方法
2.3.2物理分解方法
2.4图像去雾常用数据集
2.5图像去雾常用评价指标
参考文献
第3章图像去雨典型算法及常用数据集
3.1基于混合高斯模型的图像去雨算法
3.2基于深度学习的图像去雨算法
3.2.1监督学习图像去雨算法
3.2.2半监督学习图像去雨算法
3.3图像去雨常用数据集
3.4图像去雨常用评价指标
参考文献
第4章基于递归卷积的多尺度深度图像去雾算法
4.1算法总体框架
4.2算法具体实现
4.2.1递归特征提取模块
4.2.2多尺度特征融合模块
4.2.3损失函数
4.3实验结果及其分析
4.3.1实验设置
4.3.2合成数据集实验结果
4.3.3真实雾天图像实验结果
参考文献
第5章基于先验信息引导的多编码器图像去雾算法
5.1基于自适应通道融合的图像去雾算法
5.1.1算法总体框架
5.1.2SAGFA模块
5.1.3SE模块
5.1.4损失函数
5.2基于特征调制的图像去雾算法
5.2.1算法总体框架
5.2.2自适应批归一化
5.2.3优化模块
5.2.4损失函数
5.3实验结果及其分析
5.3.1实验设置
5.3.2IHAZE和OHAZE数据集实验结果
5.3.3NHHAZE数据集实验结果
5.3.4定量比较与分析
参考文献
第6章基于物理模型引导的多解码器图像去雾算法
6.1算法总体框架
6.2算法具体实现
6.2.1多尺度特征提取与融合模块
6.2.2注意力模块
6.2.3多尺度监督模块
6.2.4损失函数
6.3实验结果及其分析
6.3.1实验设置
6.3.2HAZERD数据集实验结果
6.3.3DAHAZE数据集实验结果
参考文献
第7章基于物理分解的弱监督图像去雾算法
7.1算法总体框架
7.2算法具体实现
7.2.1DWD判别器
7.2.2DWT特征提取
7.2.3损失函数
7.3实验结果及其分析
7.3.1实验设置
7.3.2合成数据集对比结果
7.3.3真实数据集对比结果
参考文献
第8章基于多阶段特征融合的图像去雨算法
8.1算法总体框架
8.2算法具体实现
8.2.1浅特征提取模块
8.2.2改进的编码-解码器
8.2.3剩余密集子网
8.2.4阶段特征的渐进融合
8.2.5损失函数
8.3实验结果及其分析
8.3.1实验设置
8.3.2实验结果
参考文献
精品教材 更多
