面向大气退化图像的特征提取和学习式复原方法研究

Fog and haze makes the image suffer from contrast reduction, blur and other comprehensive degradation effects. The restoration algorithm for atmospheric degraded image is one of the most important methods to improve the quality of the obtained image. However, how to realize the accurate estimation of the atmospheric transmittance, how to solve the related space variant blind image deconvolution problem and how to balance the operational efficiency and restoration quality are still the main bottlenecks. .To solve the above problems, the project will take research on restoration theory and method for atmospheric degraded image based on feature extraction and model learning. Firstly, it will adopt the sparse feature extraction and probabilistic model learning to construct the regularization for the atmospheric transmittance, and then use the variational Bayesian learning framework to realize the accurate estimation of the atmospheric transmittance. Secondly, based on the estimated transmittance, the project will improve the traditional model. It will study the accurate estimation method for space variant PSF which is based on model fitting and variational learning, and design the related deconvolution method. Thirdly, based on the deep learning theory, the project will try to design the optimal generative adversarial network structure to balance the efficiency and quality of the restoration. This project will provide an important reference for enriching the research field of restoration for atmospheric degraded image. The research is of great significance to enhance the ability of information expression of the image and the detection ability of the imaging system.

雾霾天气会使图像产生对比度下降、模糊等综合退化效应。大气退化图像复原算法是解决上述问题，提升像质的重要手段之一。然而，大气透过率的准确估计，点扩散函数空间变化情况下的盲目去卷积，以及如何实现算法运行效率和复原质量的有效兼顾，仍是困扰大气退化图像复原算法的主要瓶颈。.针对上述问题，本项目拟开展基于特征提取和模型学习的大气退化图像复原理论与方法研究。一是通过稀疏特征提取和概率模型学习，构建面向大气透过率的正则化约束条件，并在变分贝叶斯学习框架下实现大气透过率的准确估计；二是基于大气透过率估计值，改进传统复原模型，研究基于模型拟合和变分贝叶斯学习的空间变化点扩散函数的准确估计及去卷积方法；三是借鉴生成对抗网络理论，设计最优化的生成对抗网络结构，实现对退化图像的高效高质量复原。该项目研究对于丰富大气退化图像复原领域研究具有重要的参考价值，对提升图像的信息表达能力和成像系统的探测能力具有重要的意义。

雾霾天气发生时，大气分子对光子传递的衰减和散射作用显著增强，会导致成像系统拍摄所得的图像发生对比度下降、模糊等退化效应，严重降低其细节和色彩分辨能力，从而对道路监控、军事侦察等应用产生不利影响，制约其效能的充分发挥。因此，研究大气退化图像的复原方法具有重要的科研意义和应用价值。然而，如何对大气透过率进行准确估计，如何对大气散射造成的模糊退化进行有效去除，以及如何实现算法运行效率与复原质量的兼顾，仍是大气退化图像复原方法研究中面临的瓶颈问题。.为解决上述问题，本项目开展了如下三个方面的研究工作。一是通过对大气退化图像形成机理的研究，分析了大气透过率的稀疏概率分布特性，并设计了一种基于总变分和L0范数的混合正则化模型对其进行建模，随后在贝叶斯最大后验概率估计框架下设计了一种最优化估计问题模型及其求解方法，将其与暗原色通道先验相结合，实现了对大气退化图像的高质量复原；二是借鉴模糊图像复原理论，在贝叶斯最大后验概率估计框架下提出了一种大气散射点扩散函数最优估计模型，并设计了一种自适应的参数估计方法，可对模型中的所有参数及大气散射点扩散函数进行同步求解，避免了传统方法中需人工设定参数的问题。此外还设计了一种基于多核CPU和GPU并行计算的模糊图像快速复原方法，可对大尺寸的图像进行高速处理，运行效率显著优于传统方法；三是基于深度学习理论中的生成对抗网络架构，设计了一种大气退化图像复原网络，该网络以大气退化图像为输入，可快速获得复原图像。在网络设计过程中，本项目还充分考虑了人类感知记忆的特点，从而使复原图像更加符合人类的视觉感受。在上述研究的基础上，本项目还开发了相应的软件系统，并将其与目前主流的目标检测算法相结合，可有效提升大气退化图像中目标识别定位的准确度。.本项目研究成果既可应用于交通监控等民用领域，也可经适度改造后应用于卫星侦察、无人机导航控制等军用领域，具有广阔的应用前景。