融合暗通道先验与循环生成对抗网络的航海图像去雾模型

摘要：

为解决基于视觉的船舶智能感知系统在海雾悬浮颗粒的散射作用下,图像信息可见度与对比度明显下降,目标检测、目标跟踪和语义分割等高层视觉任务受到严重影响,导致无法检测到目标或跟踪目标丢失的问题,创建了Maritime Haze数据集,并结合物理模型和深度学习方法,提出了融合暗通道先验知识的循环生成对抗网络图像去雾模型;利用暗通道先验去雾算法将图像分解输出透射图和去雾图像,再通过循环生成对抗网络的生成器和判别器对暗通道先验输出进行处理和判断,从而生成更好的去雾图像.实验表明,该模型峰值信噪比(PSNR)和结构相似性(SSMI)的评价指标分别达24.73和0.943,优于PSD的23.34(PSNR)和 0.921(SSMI)以及 CycleGAN 的 19.19(PSNR)和0.584(SSMI),并在视觉效果上展示出最佳的清晰度和色彩真实性,在航海图像去雾领域领先其他方法.

关键词：航海图像、去雾模型、暗通道先验(DCP)、循环生成对抗网络、非成对雾天数据集、结构相似性(SSIM)、峰值信噪比(PSNR)

所属期刊栏目：48

分类号：U675.79;TN911.73

资助基金：广西壮族自治区科技厅重点研发项目2021AB07045

在线出版日期：2023-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：84-93