基于深度学习的大气散射新模型与图像去雾方法研究

The increase of real-time applications in the complex environment of the ‘Smart City’ poses great challenges for the existed image dehazing theory and methods to provide a qualified user experience. This project will focus on studying and proposing a novel atmospheric scattering model as well as the corresponding image dehazing method based on deep learning techniques. More concretely, a novel atmospheric scattering model will be present on the basis of limitation analysis of the traditional one, which has advantages in terms of universality and robustness. Next, benefiting from the study of deep learning techniques, the design strategy of dual-channel convolutional neural networks will be proposed aiming at estimating the three core coefficients of the proposed atmospheric scattering model. Furthermore，a more authentic training image database will be constructed using the proposed new fog/haze effects simulation algorithm. The training image database, combined with the corresponding dual-channel convolutional neural networks training/correction/empirical analysis strategies, the effectiveness and robustness of the image dehazing system will be further improved. The user experience quality for image and video services can be well satisfied since the effectiveness, efficiency and universality of the dehazing method are all improved, and the real-time dehazing requirement can be achieved. The innovative research results of this project will provide theoretical basis and technical support for the Smart City management, surveillance system, aerial images, military reconnaissance, and environmental protection.

现有的图像去雾理论和方法如何满足智慧城市复杂环境下实时性应用要求并提供良好的用户体验，是一个极具挑战性的课题。本项目将基于深度学习研究构建新的大气散射模型及图像去雾方法。首先，针对传统散射模型的失效原理，构建更具普适性的大气散射新模型；然后，重点研究新的散射模型中深度结构、散射率和大气光分量分布估计，应用深度学习方法提出双通道卷积神经网络构建策略；进而，提出新的雾气合成算法，并构建更为科学、准确的训练图像数据库以及双通道卷积神经网络的训练、校正和实证分析策略，提高图像去雾系统的有效性及鲁棒性。课题目标是提高图像去雾算法的效果、效率和普适性，以提供满足用户体验质量的图像和视频服务，并对非均匀光照、非匀质大气介质、多重散射、实时去雾需求等具有良好的自适应性。上述创新性研究成果将为智慧城市管理、航拍图像、军事侦察、野外生态环境保护等应用领域的图像分析和视频服务提供重要的理论依据和技术支撑。

本项目基于深度学习研究构建新的大气散射模型及图像去雾方法，以提供满足用户体验质量的图像和视频服务，并对非均匀光照、非匀质大气介质、多重散射、实时去雾需求等具有良好的自适应性。首先，针对传统散射模型的失效原理，构建更具普适性的大气散射新模型；然后，重点研究新的散射模型中深度结构、散射率和大气光分量分布估计，应用深度学习方法提出双通道卷积神经网络构建策略；进而，提出新的雾气合成算法，并构建更为科学、准确的训练图像数据库以及双通道卷积神经网络的训练、校正和实证分析策略，提高图像去雾系统的有效性及鲁棒性。.通过四年科学研究，本项目构建各成像参数与真实世界的桥接函数，设计并构建出一种更具有普适性及简约性的大气散射模型；针对光散射导致的图像信息退化，提出了一种新颖的卷积神经网络模型CIASM-Net用于实现图像去雾；提出基于轻量化卷积神经网络的单幅图像去雾方法；提出基于图像先验的图像快速去雾方法；提出基于U-Net的医学图像分割算法以满足医学图像场景下的医学需求；提出基于高分辨率网络的图像去雾算法和基于深度跨尺度融合网络的快速图像去雾算法；此外在本项目的研究基础上，提出基于纹理特征的分布式视频压缩感知自适应重构方法；提出深度感知交通场景下多目标的检测方法；实现基于Kubernetes的机器学习云平台设计与搭建。上述创新性研究成果将为智慧城市管理、航拍图像、军事侦察、野外生态环境保护等应用领域的图像分析和视频服务提供重要的理论依据和技术支撑。.本项目按期全部完成，相关研究成果包括在IEEE Transactions on Image Processing, IEEE Transactions on Circuits and Systems for Video Technology，IEEE Transactions on Automation Science and Engineering, Neuro Computing，IET Image Processing等国内外权威期刊、会议上发表高质量论文58篇，其中SCI期刊论文34篇，国际会议论文18篇，申请中国发明专利94项（其中授权31项），申请PCT专利21项（其中授权7项），参加国内外学术会议研讨14次。总体而言，本项目取得了有效及较丰硕的研究成果，完成了计划任务，实现了预期目标。