基于多尺度并行残差网络的图像去雾算法

您当前的位置：

首页 >

文章列表页 >

基于多尺度并行残差网络的图像去雾算法

光学图像处理与识别 | 更新时间：2025-09-01

- 基于多尺度并行残差网络的图像去雾算法
- A multi-scale parallel residual network for image dehazing
- 光学技术 2020年46卷第6期页码：707-711
- 作者机构：
  
  1:北京信息科技大学光电测试技术北京市重点实验室
- 作者简介：
- 基金信息：
  
  国家自然科学基金(51475047);北京市自然科学基金B类重点课题资助项目(16JC0011)
- DOI：10.13741/j.cnki.11-1879/o4.2020.06.013
  中图分类号：
- 纸质出版：2020
- 稿件说明：
移动端阅览
张鑫, 娄小平, 黄子岩, 等. 基于多尺度并行残差网络的图像去雾算法[J]. 光学技术, 2020,46(6):707-711.

A multi-scale parallel residual network for image dehazing[J]. 2020, 46(6): 707-711.
张鑫, 娄小平, 黄子岩, 等. 基于多尺度并行残差网络的图像去雾算法[J]. 光学技术, 2020,46(6):707-711. DOI： 10.13741/j.cnki.11-1879/o4.2020.06.013.

A multi-scale parallel residual network for image dehazing[J]. 2020, 46(6): 707-711. DOI： 10.13741/j.cnki.11-1879/o4.2020.06.013.

雾降低了图像的清晰程度和细节信息

从而对后续视觉信息处理的影响是一个具有挑战性的问题。现有的图像去雾算法虽能去除雾度

但对处理户外浓雾场景的效果较差。为了突破现有去雾算法的局限性

结合大气散射物理模型

提出了一种端到端的多尺度并行融合去雾网络。采用多尺度卷积从整体到局部提取不同尺度的特征

并对这些特征进行多次并行融合;通过引入残差模块对细节特征进行深入学习

可以恢复出更多的图像细节。实验结果和数据分析表明

提出的方法在合成图像和真实图像上都能表现出良好的去雾性能

PSNR和SSIM指标平均同比提升3%。

浏览量

249

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于高光谱遥感的荒漠化草原草种类分类模型研究

基于卷积神经网络的无参考混合失真图像质量评价

基于卷积神经网络的红外与可见光户外图像融合

基于3D全卷积神经网络的肺叶自动分割方法

基于低分辨率辅助特征和卷积神经网络的脑部图像配准方法