基于改进AOD-Net的图像去雾算法
电子技术应用
侯明，梁文杰
昆明理工大学 信息工程与自动化学院
摘要： 为了更好解决图像去雾后颜色失真、去雾不彻底和耗时等问题，提出了一种基于改进AOD-Net的图像去雾算法。首先，在原有的卷积模块中引入残差连接，并保留了第二个特征融合层第一层的特征信息，以增强网络的特征提取能力。其次，在第三个特征融合层后引入注意力模块，强化雾图中的关键特征信息，抑制无关背景干扰。最后，采用新的复合损失函数进行训练。实验结果表明，改进算法在公共数据集上的峰值信噪比提高了3.8 dB，结构相似性达到了93.6%。相较于其他去雾算法，该算法在去雾精度和处理效率方面均表现出色。
中图分类号：TP391 文献标志码：A DOI: 10.16157/j.issn.0258-7998.244857
中文引用格式： 侯明，梁文杰. 基于改进AOD-Net的图像去雾算法[J]. 电子技术应用，2024，50(4)：60-66.
英文引用格式： Hou Ming，Liang Wenjie. Image defogging algorithm based on improved AOD-Net[J]. Application of Electronic Technique，2024，50(4)：60-66.
中文引用格式： 侯明，梁文杰. 基于改进AOD-Net的图像去雾算法[J]. 电子技术应用，2024，50(4)：60-66.
英文引用格式： Hou Ming，Liang Wenjie. Image defogging algorithm based on improved AOD-Net[J]. Application of Electronic Technique，2024，50(4)：60-66.
Image defogging algorithm based on improved AOD-Net
Hou Ming，Liang Wenjie
Faculty of Information Engineering and Automation， Kunming University of Science and Technology
Abstract： To address issues such as color distortion, incomplete defogging, and computational inefficiency in image defogging, this study proposes an improved image defogging algorithm based on the enhanced AOD-Net. Initially, a residual connection is introduced into the existing convolutional module, preserving the features of the first layer in the second feature fusion layer to enhance feature extraction capabilities. Subsequently, an attention module is introduced after the third feature fusion layer to strengthen the representation of crucial features in hazy images and suppress irrelevant background interference. Finally, a novel composite loss function is employed for training. Experimental results demonstrate that the proposed algorithm achieves a 3.8 dB improvement in Peak Signal-to-Noise Ratio (PSNR) and a structural similarity (SSIM) of 93.6% on a public dataset. Compared to other defogging algorithms, this algorithm exhibits superior performance in both defogging accuracy and processing efficiency.
Key words : image defogging；AOD-Net；residual connection；attention module；composite loss function
引言
雾霾是由于工业生产、交通运输和能源消耗等活动排放大量污染物，积聚在大气中形成的一种恶劣天气状况。随着计算机视觉的不断发展，目标检测、目标跟踪和遥感等技术逐渐被应用于智能交通和其他工业领域[1]。然而，在雾霾环境下，能见度急剧下降，影响了成像设备拍摄的图像质量，给后续的高级视觉任务带来了困难。因此，提高雾天图像质量对实际应用至关重要。
目前的图像去雾算法主要有3种：基于物理模型、图像增强和深度学习的方法[2]。基于物理模型的去雾方法试图模拟光在大气传播中与雾霾相互作用的物理过程，通过估计透射率和大气光值来还原原始图像。这类方法包括暗通道先验算法[3]和颜色衰减先验算法[4]。这些方法通常利用图像的先验知识解决大气散射模型中的未知参数，但由于其依赖经验统计规律，因此其适用场景受限。基于图像增强的去雾算法旨在提高带雾图像的可见度和视觉质量，以减轻或消除雾霾对图像的不利影响。这类方法包括直方图均衡化、Retinex算法等，它们不依赖于物理模型，而是利用图像的统计信息和视觉特征，然而，在去雾过程中可能会产生伪影，过度增强对比度导致图像不真实。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000005950
作者信息：
侯明，梁文杰
（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）
此内容为AET网站原创，未经授权禁止转载。