基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧

陳清江 張雪

霧霾天氣情況下,懸浮在大氣中的微小顆粒對(duì)光線的散射和吸收作用,導(dǎo)致采集到的圖像對(duì)比度與飽和度降低,色調(diào)偏移,嚴(yán)重影響了戶外視覺(jué)系統(tǒng)的效用.因此,霧天圖像的清晰化處理成為計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)重要問(wèn)題.現(xiàn)有的圖像去霧方法主要有兩種,其一是基于圖像增強(qiáng)的方法,這種方法不考慮圖像退化的原因,會(huì)造成圖像信息的損失.如基于顏色恒常性的Retinex 理論[1?2]、基于路徑Retinex 算法[3?4]和迭代形式的Retinex 算法[5],這些算法都存在參數(shù)調(diào)整困難且算法復(fù)雜度高的問(wèn)題.其二是基于圖像復(fù)原的方法,此方法利用圖像退化的先驗(yàn)知識(shí)和假設(shè)來(lái)恢復(fù)圖像,去霧圖像信息缺失較基于物理模型的圖像復(fù)原方法少,去霧效果自然.如He 等[6]提出了一種基于暗原色先驗(yàn)知識(shí)統(tǒng)計(jì)(Dark channel prior,DCP)的方法.但He 的暗通道先驗(yàn)方法過(guò)高估計(jì)霧的濃度,導(dǎo)致去霧后圖像整體亮度偏暗,且天空區(qū)域常出現(xiàn)失真現(xiàn)象.Zhu等[7]提出了顏色衰減先驗(yàn)(Color attenuation prior,CAP).盡管上述算法取得了很大的進(jìn)步,但它們?nèi)匀灰蕾囉诟鞣N先驗(yàn)知識(shí),具有一定的局限性.

近些年來(lái),隨著深度學(xué)習(xí)理論在語(yǔ)義分割[8]、目標(biāo)識(shí)別[9]、圖像超分辨率重建[10]等方面的不斷發(fā)展,一些學(xué)者將該理論用于圖像去霧領(lǐng)域也獲得了較好的效果.如Cai 等[11]提出的DehazeNet 訓(xùn)練預(yù)測(cè)的傳輸圖.Ren 等[12]設(shè)計(jì)了多尺度卷積神經(jīng)網(wǎng)絡(luò)(Multi-scade convolutionalneuralnetwork,MSCNN) 估計(jì)了場(chǎng)景的透射率.Li 等[13]提出了Cascaded CNN,該網(wǎng)絡(luò)分別估計(jì)大氣光值和傳輸圖.由于這幾種基于卷積神經(jīng)網(wǎng)絡(luò)的方法是分別估計(jì)介質(zhì)傳輸圖和大氣光值的,所以增加了恢復(fù)去霧圖像的累計(jì)誤差.為此,我們的目標(biāo)是通過(guò)直觀地最大化預(yù)測(cè)圖像和無(wú)霧圖像之間的視覺(jué)相似性來(lái)訓(xùn)練一個(gè)去霧卷積神經(jīng)網(wǎng)絡(luò).

與以往的估計(jì)介質(zhì)傳輸圖方法不同的是,我們直接利用霧天圖像和清晰圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò).為此,本文提出了一種基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的單幅圖像去霧算法.首先,使用霧天RGB 圖像YUV變換的Y、U 和V 分量構(gòu)建并聯(lián)卷積神經(jīng)網(wǎng)絡(luò),自適應(yīng)獲得霧霾特征;其次,利用多尺度卷積提取霧霾特征與重建,并且跳躍連接減少了網(wǎng)絡(luò)參數(shù),提高了網(wǎng)絡(luò)訓(xùn)練速度;最后,采用遞歸雙邊濾波,對(duì)去霧后的RGB 圖像進(jìn)行濾波,可以得到更加清晰的無(wú)霧圖像.

1 相關(guān)理論

1.1 大氣散射模型

在計(jì)算機(jī)視覺(jué)領(lǐng)域中,通常使用大氣散射物理模型[14]來(lái)描述霧天圖像的退化過(guò)程,該模型廣泛用于圖像去霧技術(shù)的研究,用公式可表示為

其中,I(x) 為采集到的霧天圖像,J(x) 為清晰圖像,t(x)為介質(zhì)傳輸圖,A為大氣光值.當(dāng)大氣同質(zhì)時(shí),介質(zhì)傳輸圖可以定義為

其中,β為散射率,當(dāng)大氣均勻時(shí),在一定時(shí)刻對(duì)于整幅圖像來(lái)說(shuō)散射率是一個(gè)定值,d(x) 為場(chǎng)景對(duì)象到傳感器的距離,即場(chǎng)景深度.

1.2 理論分析

由式(1)可知,傳輸圖可表示為

霧霾天氣的大氣光照導(dǎo)致RGB 色彩空間發(fā)生一定的變化,近似認(rèn)為RGB 色彩空間存在白色霧霾.在向量空間中,它表示為

結(jié)合式(1)可知

為了使 ?H(x) 主要集中在同一通道上,將?H(x)從RGB 顏色空間轉(zhuǎn)換為YUV 顏色空間.它們之間的傳遞函數(shù)可以表示為

其中,

由于區(qū)域內(nèi)均勻介質(zhì) ?H(x) 的存在,使得RGB 顏色空間中容易出現(xiàn)純白色,因此 ?H r(x) ,?H g(x),?H b(x)三個(gè)平衡分量近似相等,接近RGB 顏色空間模型的最大值.因此,近似得到

因此,由式(7)和式(8)知

在YUV 顏色空間中,霧天圖像與其對(duì)應(yīng)的清晰圖像之間的總誤差可表示為

其中,x表示每個(gè)像素的位置,N為圖像的像素總數(shù).式(10)證明了 ?H(x) 主要投射在亮度通道上.也就是說(shuō),將投影在RGB 顏色空間模型灰度軸線上的H(x) 轉(zhuǎn)換為亮度通道進(jìn)行除霧.當(dāng)天氣變壞時(shí),H(x) 的三種成分會(huì)導(dǎo)致不平衡.因此,一小部分偏差可以投射到另外兩個(gè)色度通道上.

2 圖像去霧算法

經(jīng)過(guò)統(tǒng)計(jì)實(shí)驗(yàn)發(fā)現(xiàn)在霧天圖像的RGB 色彩空間中,大氣光照對(duì)各個(gè)分量都具有顯著的影響,而在YUV 色彩空間中,有霧區(qū)域主要集中在亮度通道,色度通道和飽和度通道較少,并且,隨著霧霾濃度的增加,亮度通道變化越明顯.因此,本文將主要在亮度通道進(jìn)行去除霧霾,提出的去霧網(wǎng)絡(luò)是一個(gè)相對(duì)簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu),具有較快的收斂速度,而且恢復(fù)的去霧圖像具有良好的效果.

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)考慮了霧天圖像與清晰圖像YUV 各個(gè)通道之間的關(guān)系,網(wǎng)絡(luò)主要由兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)組成,較深網(wǎng)絡(luò)用來(lái)預(yù)測(cè)亮度通道,較淺網(wǎng)絡(luò)用來(lái)預(yù)測(cè)色度通道和飽和度通道,圖1 為本文提出的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.

圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The network structure of this paper

第1 層采用多尺度卷積進(jìn)行明亮度通道的特征提取,多尺度卷積能夠獲取更多的與霧相關(guān)的特征,捕獲更加豐富的統(tǒng)計(jì)屬性和結(jié)構(gòu)屬性,去除多尺度空間下的霧霾影響,得到更好的去霧效果,提高捕獲圖像內(nèi)部信息的魯棒性和有效性.詳細(xì)參數(shù)如表1所示.其中,卷積核尺寸為fi×f i×n i,f i為卷積核的大小,n i為卷積核的數(shù)量.

表1 多尺度卷積模型Table 1 Multi-scale convolution model

多尺度卷積操作為

其中,Wsi(i1,2,3,4) 表示第s層的第i組卷積核,Fsi表示第s層輸出的第i組特征圖,Y表示輸入圖像,“?”表示卷積操作.

本文選用參數(shù)修正線性單元(PReLU)作為網(wǎng)絡(luò)結(jié)構(gòu)的激活函數(shù),除了最后一層,其余每個(gè)卷積層與反卷積層的末端都接入此激活函數(shù).PReLU 公式為

式中,x i為第i層的正區(qū)間輸入信號(hào),a i為第i層的負(fù)區(qū)間的權(quán)系數(shù).所以卷積層的最終輸出為

其中,Bs為第S層的偏置.

2.2 跳躍連接

中間層部分由兩個(gè)相同的全卷積結(jié)構(gòu)組成,單個(gè)全卷積結(jié)構(gòu)包括三個(gè)卷積層和兩個(gè)跳躍連接.首先,采用3×3×64 的卷積核大小,3×3 的卷積核是最小的能夠捕獲圖像的上下左右和中心概念的尺寸,而且相比于大尺寸,它的參數(shù)更少,可降低運(yùn)算復(fù)雜度.接著用1×1×16 的卷積核大小,可以有效降低參數(shù)大小和計(jì)算復(fù)雜度,達(dá)到降維的作用,提高訓(xùn)練精度.最后用3×3×32 的卷積核大小進(jìn)行卷積.將第1 層與第2 層的特征圖進(jìn)行合并,這種連接方式大幅提升了卷積輸出特征圖的數(shù)量,減少了每層所需特征圖的數(shù)量,且網(wǎng)絡(luò)層數(shù)較淺,能夠加快網(wǎng)絡(luò)訓(xùn)練速度,防止網(wǎng)絡(luò)陷入局部最優(yōu),同時(shí)保證圖像細(xì)節(jié)信息的有效傳遞.

2.3 多尺度重建

多尺度重建在圖像超分辨率重建[10]和目標(biāo)識(shí)別[9]、圖像去霧[15]等方面都得到了較好的效果,因此,在網(wǎng)絡(luò)最后一層,采用多尺度卷積進(jìn)行重建,多尺度卷積不僅能夠提取與霧相關(guān)的特征,而且能夠提高圖像的清晰度.

由于霧霾在色度通道和飽和度通道較少,采用三層的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)清晰圖像的色度通道和飽和度通道,網(wǎng)絡(luò)結(jié)構(gòu)主要由三層卷積和跳躍連接組成,第1 層與第2 層的卷積核大小均為3×3×16,將第1 層與第2 層的特征圖進(jìn)行合并,得到更多的與霧相關(guān)的特征圖,最后一層的卷積核大小為3×3×1,卷積核參數(shù)較少,可以提高網(wǎng)絡(luò)訓(xùn)練速度,達(dá)到較優(yōu)的去霧結(jié)果.

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中,使用均方誤差損失函數(shù)(Mean square error,MSE)用來(lái)計(jì)算輸入霧天圖像與預(yù)測(cè)的無(wú)霧圖像兩者差值平方的期望值,即

其中,Oi表示第i組清晰圖像值,P i表示網(wǎng)絡(luò)結(jié)構(gòu)第i組的輸出值,N為樣本訓(xùn)練數(shù)目.利用隨機(jī)梯度下降法(Stochastic gradient descent,SGD)和網(wǎng)絡(luò)反向傳播算法來(lái)最小化MSE以調(diào)整網(wǎng)絡(luò)參數(shù),網(wǎng)絡(luò)權(quán)重的更新過(guò)程為

其中,?k為第k層的權(quán)重更新值,s為層數(shù),k為網(wǎng)絡(luò)的迭代次數(shù),η為學(xué)習(xí)率,為第s層的第k次迭代時(shí)的權(quán)重.

3 實(shí)驗(yàn)與結(jié)果分析

本節(jié)描述了實(shí)驗(yàn)數(shù)據(jù)的獲取、實(shí)驗(yàn)設(shè)置與實(shí)驗(yàn)步驟,并且將本文算法的去霧結(jié)果與傳統(tǒng)的經(jīng)典去霧算法:DCP 算法[6]和CAP 算法[7],以及基于卷積神經(jīng)網(wǎng)絡(luò)的SRCNN(Super-resolution convolutional neural network)算法[16],DehazeNet 算法[11]和MSCNN 算法[12]分別在合成霧天圖像數(shù)據(jù)集和真實(shí)自然霧天圖像數(shù)據(jù)集上進(jìn)行主觀與客觀的對(duì)比分析.

3.1 實(shí)驗(yàn)數(shù)據(jù)、實(shí)驗(yàn)設(shè)置與實(shí)驗(yàn)步驟

1)實(shí)驗(yàn)數(shù)據(jù).采用數(shù)據(jù)集Middlebury Stereo Datasets 和Make3DLaser+Image data,選出160幅清晰圖像以及所對(duì)應(yīng)的深度圖,將這160 幅圖像通過(guò)大氣散射模型[14]建立霧天圖像數(shù)據(jù)集.其中,散射率隨機(jī)設(shè)置為0.75,1.5,大氣光值隨機(jī)設(shè)置為(0.7,1.0).圖2 展示了清晰圖像,霧天圖像與預(yù)測(cè)的無(wú)霧圖像的YUV 顏色空間的各個(gè)分量的圖像.

圖2 YUV 顏色空間的各個(gè)分量對(duì)比圖像Fig.2 Each component of the contrast images of YUV color space

2)實(shí)驗(yàn)設(shè)置.利用Caffe 框架實(shí)現(xiàn)網(wǎng)絡(luò),每層的權(quán)重均采用Xavier 分布進(jìn)行隨機(jī)初始化,網(wǎng)絡(luò)模型采用固定的學(xué)習(xí)率,設(shè)置為0.0001,動(dòng)量參數(shù)設(shè)置為0.9,迭代次數(shù)為 106次,利用隨機(jī)梯度下降法(SGD)和反向傳播算法進(jìn)行網(wǎng)絡(luò)優(yōu)化,完成網(wǎng)絡(luò)模型的訓(xùn)練與收斂.

3)實(shí)驗(yàn)步驟.

步驟 1.采用數(shù)據(jù)集Middlebury Stereo Datasets 和Make3D Laser+Image data 通過(guò)大氣散射模型獲取霧天圖像數(shù)據(jù)集;

步驟 2.將霧天RGB 圖像數(shù)據(jù)集與清晰RGB圖像數(shù)據(jù)集轉(zhuǎn)換為YUV 通道的圖像;

步驟 3.依照本文提出的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò),對(duì)霧天圖像與清晰圖像的YUV 各個(gè)通道分別進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練與測(cè)試;

步驟 4.經(jīng)過(guò)YUV 逆變換恢復(fù)出預(yù)測(cè)的清晰RGB圖像;

步驟 5.將卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的清晰RGB 圖像采用遞歸雙邊濾波進(jìn)行增強(qiáng),得到最終的恢復(fù)的去霧圖像;

步驟 6.基于合成霧天圖像數(shù)據(jù)集的去霧結(jié)果與分析;

步驟 7.基于真實(shí)霧天圖像數(shù)據(jù)集的去霧結(jié)果與分析.

本文算法流程如圖3 所示.

圖3 本文算法流程圖Fig.3 Algorithm flow chart in this paper

3.2 基于合成霧天圖像數(shù)據(jù)集的去霧結(jié)果與分析

為驗(yàn)證本文算法對(duì)合成霧天圖像的去霧效果,將本文算法與其他算法進(jìn)行比較.在圖4 ～ 6 中,展示了從數(shù)據(jù)集中選取的3 幅合成霧天圖像的去霧結(jié)果對(duì)比.

圖4 不同算法對(duì)霧天圖像Dolls 的去霧結(jié)果Fig.4 Different algorithms to defog results of fog image Dolls

通過(guò)主觀評(píng)價(jià)可看出,DCP 算法去霧圖像易產(chǎn)生過(guò)度飽和的現(xiàn)象,使得場(chǎng)景不真實(shí);CAP 算法產(chǎn)生了色彩過(guò)度飽和的結(jié)果;基于CNN 的幾種方法都有明顯的去霧能力,但是,在某些區(qū)域仍然有少量的霧霾.而本文算法的去霧圖像更加平滑,細(xì)節(jié)和紋理更加明顯,色彩無(wú)偏移,而且更加接近真實(shí)清晰圖像.

為了定量地評(píng)價(jià)這些方法,從數(shù)據(jù)集Middlebury Stereo Datasets 和Make3D Laser+Image data 分別隨機(jī)抽取15 幅合成霧天圖像,使用均方根誤差(Root mean square error,RMSE)[15]、信息熵(Information entropy)[15]、色調(diào)還原度(Tone reduction)[17]、平均梯度(Average gradient)[15]、結(jié)構(gòu)相似度(Structural similarity index,SSIM)[15]和峰值信噪比(Peak signal to noise ratio,PSNR)[15]重要的圖像評(píng)價(jià)標(biāo)準(zhǔn)來(lái)衡量去霧圖像的質(zhì)量,如表2所示.圖7 為以上所展示的三幅圖像的評(píng)價(jià)指標(biāo)對(duì)比結(jié)果.

各個(gè)評(píng)價(jià)指標(biāo)的數(shù)學(xué)公式分別為:

1)均方根誤差

其中,n是圖像像素總數(shù),Y是清晰無(wú)霧圖像,X是去霧圖像.均方誤差越小,表示去霧圖像和參考圖差異越小,去霧效果越好.

2)信息熵

其中,X表示隨機(jī)變量,P(X) 表示輸出概率函數(shù).變量的不確定性越大,熵也就越大.信息熵反映了圖像包含信息量的大小,是衡量圖像信息豐富程度的一個(gè)重要指標(biāo).

3)色調(diào)還原程度

其中,L為直方圖矢量的維數(shù),q i和s i為歸一化值.

4)平均梯度定義

其中,M ×N為圖像的大小,和分別表示水平方向和垂直方向的梯度.平均梯度即圖像的清晰度,反映圖像對(duì)細(xì)節(jié)對(duì)比的表達(dá)能力.

圖5 不同算法對(duì)霧天圖像Trees 的去霧結(jié)果Fig.5 Different algorithms to defog results of fog image Trees

圖6 不同算法對(duì)霧天圖像Reindeer 的去霧結(jié)果Fig.6 Different algorithms to defog results of fog image Reindeer

5)SSIM

6)PSNR

式中,fin為清晰無(wú)霧圖像,fout為去霧圖像.峰值信噪比是最普遍和使用最廣泛的一種圖像客觀評(píng)價(jià)標(biāo)準(zhǔn),如果PSNR 值越大,圖像的失真就越小.這意味著圖像質(zhì)量越高,去霧性能越好.

在客觀評(píng)價(jià)指標(biāo)中,從表2 以及圖7 可看出,DCP 算法的評(píng)價(jià)指標(biāo)值相對(duì)較差,CAP 算法的評(píng)價(jià)指標(biāo)值屬于中等,基于卷積神經(jīng)網(wǎng)絡(luò)的算法評(píng)價(jià)指標(biāo)值相對(duì)較高,而本文算法的評(píng)價(jià)指標(biāo)值相對(duì)是最高的,并且在圖像Dolls 中,本文算法的PSNR值達(dá)到了25.9057(d B),其他對(duì)比算法最高僅有25.8972(d B),SSIM 值達(dá)到了0.9506,其他算法最高僅有0.9473,這說(shuō)明了基于卷積神經(jīng)網(wǎng)絡(luò)的去霧算法的有效性,也進(jìn)一步說(shuō)明了本文去霧算法的優(yōu)越性.

圖7 不同算法的峰值信噪比和結(jié)構(gòu)相似度的對(duì)比結(jié)果Fig.7 Comparison results of PSNR and SSIM of different algorithms

表2 30 幅合成霧天圖像的RMSE,色調(diào)還原度,平均梯度,信息熵,PSNR,SSIM 的平均結(jié)果Table 2 The average results of RMSE,tone reduction,average gradient,information entropy,PSNR,SSIM for the 30 synthetic foggy images

3.3 基于真實(shí)霧天圖像數(shù)據(jù)集的去霧結(jié)果與分析

本文討論了霧天圖像的一些去霧算法,以驗(yàn)證本文所提供算法的有效性.首選現(xiàn)實(shí)世界中經(jīng)常使用的霧天圖像,將所提出的方法與其他算法進(jìn)行比較,如圖8 和圖9 所示.

圖8 自然霧天圖像House 的去霧結(jié)果對(duì)比Fig.8 Comparison of defogging results of natural foggy images House

圖9 自然霧天圖像Pumpkin 的去霧結(jié)果對(duì)比Fig.9 Comparison of defogging results of natural foggy images Pumpkin

通過(guò)對(duì)比以上自然霧天圖像數(shù)據(jù)集的去霧結(jié)果,DCP 算法高估了霧霾的厚度,出現(xiàn)了色彩過(guò)度增強(qiáng)的現(xiàn)象,因此,恢復(fù)的圖像顏色存在失真情況,如圖像Pumpkin 的去霧結(jié)果;CAP 算法、SRCNN 算法和DehazeNet 算法的結(jié)果在霧霾區(qū)域都有顯著改善,但去霧圖像仍有一些殘留的霧霾;

DehazeNet 算法和MSCNN 算法在圖House 中,樹(shù)葉部分有過(guò)度增強(qiáng)的現(xiàn)象;而本文方法的去霧圖像更加平滑,細(xì)節(jié)和紋理更加明顯,具有良好的清晰度與對(duì)比度,提高了圖像的可見(jiàn)性.

為了進(jìn)一步驗(yàn)證本文算法處理自然霧天圖像的有效性,采用圖像均值(Av er age)[15],標(biāo)準(zhǔn)差(Standard deviation)[15],信息熵(Information entropy)[15],對(duì)比度(Contrast)[17]和平均梯度(Average gradient)[15]五個(gè)重要的無(wú)參考圖像評(píng)價(jià)標(biāo)準(zhǔn)對(duì)自然霧天圖像去霧結(jié)果進(jìn)行對(duì)比.圖像均值反映了圖像的平均明暗程度,標(biāo)準(zhǔn)差反映了灰度均值的離散程度.如表3、表4 和圖10 所示.

圖10 不同算法的對(duì)比度和平均梯度的對(duì)比結(jié)果Fig.10 Comparison results of Contrast and average gradient of different algorithms

表3 圖像House 采用不同算法去霧后評(píng)價(jià)指標(biāo)結(jié)果Table 3 Evaluation indicators results by different defogging algorithms for image House

表4 圖像Pumpkin 采用不同算法去霧后評(píng)價(jià)指標(biāo)結(jié)果Table 4 Evaluation indicators results by different defogging algorithms for image Pumpkin

各個(gè)評(píng)價(jià)指標(biāo)的數(shù)學(xué)表達(dá)式分別為:

1)均值

其中,M ×N為像素總個(gè)數(shù).

2)標(biāo)準(zhǔn)差

其中,M ×N表示圖像的大小,I(i,j) 表示第i行第j列的像素值,u表示均值.

3)對(duì)比度

其中,δ(i,j)|i ?j|,即相鄰像素間灰度差,Pδ(i,j)為相鄰像素間的灰度差為δ的像素分布概率.

由以上可知,無(wú)論哪一個(gè)評(píng)價(jià)指標(biāo),本文算法都具有較高的值,表明本文算法對(duì)于真實(shí)自然霧天圖像的去霧處理較好,圖像質(zhì)量高.因此,綜合主觀評(píng)價(jià)和客觀評(píng)價(jià)指標(biāo)值可知,本文提出的去霧算法在視覺(jué)方面有一定的提高,清晰度與對(duì)比度均優(yōu)于其他對(duì)比算法,并且由表5 不同算法的運(yùn)行時(shí)間對(duì)比結(jié)果知,本文算法運(yùn)行時(shí)間快,可應(yīng)用于實(shí)際.

表5 不同算法的運(yùn)行時(shí)間對(duì)比結(jié)果(s)Table 5 The run time comparison results of different algorithms(s)

4 結(jié)論

本文提出的基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧算法,其網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)充分考慮了霧天圖像與清晰圖像YUV 各個(gè)通道之間的關(guān)系,兩個(gè)子網(wǎng)絡(luò)的分別預(yù)測(cè)有效地提高了網(wǎng)絡(luò)模型的預(yù)測(cè)精度,而且無(wú)論是在去霧圖像色彩自然,具有良好的清晰度與對(duì)比度,且運(yùn)行時(shí)間快,能應(yīng)用于實(shí)際.但算法在濃霧區(qū)域去霧效果較一般,隨后的研究?jī)?nèi)容將放在濃霧區(qū)域的去霧上,以獲得更優(yōu)的去霧效果.