0 引言

    在采集自然界图片的时候经常会遇见散射造成的图像损失，对于散射有很多情况，比如：当光线经过细小不规则分布的颗粒组成的介质的时候，光子与细小颗粒发生碰撞，造成行进的线路发生改变，产生散射，最后到达传感器平面的时候不同线路延时的光子叠加，会造成图像模糊，造成对比度与清晰度下降的现象；光照射在粗糙的物体表面，发生了漫反射，反射的图像会有类似散斑的现象，这样的衰减图片对于自动驾驶、计算机视觉、医学成像都有非常不利的影响^[1]。为了恢复图像，POPOFF S M等利用测定传输矩阵解卷^[2]和生成共轭波前补偿，但是测量传输矩阵需要费时的测量，硬件相对复杂，使用环境相对单一，而且只能在照明光具有一定相干性的前提下进行^[3]。为此，特提出一种使用深度学习的方法，通过学习大量散射图与无散射图对比，让网络学习到散射图和无散射图之间的映射关系，避免了费时的传输矩阵测量。并且这样的方法不需要对于样本进行染色或者标记，不会对样本产生破坏^[4]。为此，将传统的双层卷积结构进行改进，采用了dense结构的Unet网络，不管是在去散射的指标效果还是视觉效果上都有比较大的提升。因为深度学习需要大量的训练数据，训练数据的好坏对于学习结果起到至关重要的作用，还提出了一套通过拍摄屏幕的方法来搜集数据集的方法，主要创新有如下几点。

    (1)提出了一套相机拍摄屏幕创建深度学习训练数据的流程，包含屏幕相机校准和图像匹配的方法，此方法也可以广泛用于其他图像处理和图像恢复的任务。

    (2)提出了一种基于深度学习的端对端去散射网络，相比于传统测定传输矩阵的方法更加省时省力，且对于成像的样本没有损害，不需要染色或者其他标记。

    (3)使用环境相对广泛，采集装置相对简单，仅仅使用普通手机就可以进行采集，且对于照明光源没有太多要求。

    (4)改进了像素到像素图像恢复双层卷积的Unet结构，采用了dense的连接结构，使网络具有更好的恢复图像性能。

本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003096

作者信息:

漆建军

(广东外语外贸大学 信息科学技术学院，广东 广州510006)