楊德明,吳青娥,謝 添,陳 虎,安紫明

(1．鄭州工業(yè)技師學(xué)院，河南 新鄭 451150;2.鄭州輕工業(yè)大學(xué) 電氣信息工程學(xué)院，河南 鄭州 450002)

0 引言

大氣污染造成的霧霾惡劣天氣大大降低了能見度，嚴(yán)重影響著機(jī)器視覺正常工作，如目標(biāo)檢測(cè)和識(shí)別。當(dāng)今社會(huì)迫切需要有效的去霧算法[1-4]消除霧霾對(duì)機(jī)器光學(xué)視覺系統(tǒng)的影響。單幅圖像去霧是一個(gè)病態(tài)問題，去霧研究面臨著諸多嚴(yán)峻的挑戰(zhàn)。近年來，科研人員提出了許多有效去霧方法用于消除霧霾對(duì)機(jī)器視覺的影響，當(dāng)今流行的去霧方法大致可以分為基于先驗(yàn)的方法和基于機(jī)器學(xué)習(xí)的方法。這兩種方法之間最明顯的區(qū)別在于，前一種是手工制作的，后一種是自動(dòng)學(xué)習(xí)的。在傳統(tǒng)的基于先驗(yàn)的方法中，許多圖像統(tǒng)計(jì)先驗(yàn)被用作額外的約束條件去霧，如Narasimhan等人[5-6]提出的大氣散射模型，以補(bǔ)償破壞過程中的信息丟失。He等人[7]提出的暗通道先驗(yàn)(DCP)算法，是基于先驗(yàn)算法去霧效果較為突出的成熟算法。He等人對(duì)大量室外無霧圖像研究后，提出室外無霧圖像塊通常在至少一個(gè)顏色通道中具有低強(qiáng)度值的假設(shè)，即暗通道先驗(yàn)。但是，由于室外環(huán)境復(fù)雜，基于先驗(yàn)的方法會(huì)導(dǎo)致傳輸圖的估計(jì)不準(zhǔn)確，缺乏暗原色的大面積白色物體及天空區(qū)域的圖像去霧時(shí)，去霧圖像存在顏色失真現(xiàn)象。近期其他基于暗通道先驗(yàn)的改進(jìn)算法[8-10]在先驗(yàn)估計(jì)的基礎(chǔ)上做了大量改進(jìn)工作，取得不錯(cuò)的去霧結(jié)果。

伴隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的日臻成熟，采用機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)去霧算法不斷涌現(xiàn)。具有開創(chuàng)性神經(jīng)網(wǎng)絡(luò)去霧工作的是Cai等人[11]提出用于介質(zhì)透射率估計(jì)的可訓(xùn)練端到端去霧系統(tǒng)(DehazeNet)，該算法非真正的端對(duì)端去霧，因此去霧圖像存在比較大的失真現(xiàn)象。Ren等人[12]提出了一種用于單圖像去霧的多尺度深度卷積神經(jīng)網(wǎng)絡(luò)(MCNN)，由粗尺度網(wǎng)絡(luò)和局部細(xì)化結(jié)果的細(xì)尺度網(wǎng)絡(luò)用于預(yù)測(cè)有霧圖像透射圖。Li等人[13]提出端到端一體化去霧網(wǎng)絡(luò)算法(AOD-Net)，該輕量級(jí)算法首次提出端到端的神經(jīng)網(wǎng)絡(luò)去霧算法，并取得不錯(cuò)的去霧效果。然而由于去霧網(wǎng)絡(luò)模型過小，該算法同樣存在去霧失真現(xiàn)象。Chen等人[14]提出了一個(gè)端到端的門控上下文聚合網(wǎng)絡(luò)(GCANet)直接恢復(fù)最終的無霧圖像，并采用可以去除網(wǎng)格偽影的平滑擴(kuò)張技術(shù)[15]，用來獲得上下文信息。Zhang等人[16]提出了一種密集連接金字塔去霧網(wǎng)絡(luò)(DCPDN)的單幅圖像去霧端到端系統(tǒng)，采用具有多級(jí)金字塔池化模塊[17]進(jìn)行金字塔視野擴(kuò)張[18]，及邊緣保留密集連接的編碼器-解碼器結(jié)構(gòu)估計(jì)傳輸圖，同時(shí)采用U-net[19]結(jié)構(gòu)還原出圖像的全局大氣光矩陣，然后依據(jù)大氣散射模型還原出無霧圖。

針對(duì)上述問題，本文提出一種端到端具有條件約束的金字塔視野擴(kuò)張網(wǎng)絡(luò)(CCPVEN)去霧算法。本文算法采用金字塔視野擴(kuò)張模塊可以有效提取圖像的上下文信息，采用大氣散射模型為約束條件的去霧網(wǎng)絡(luò)，并對(duì)去霧網(wǎng)絡(luò)添加非線性組件，強(qiáng)化網(wǎng)絡(luò)對(duì)非線性去霧任務(wù)的學(xué)習(xí)能力，有效解決單幅圖像去霧的諸多病態(tài)問題，較精確估計(jì)出無霧圖。

1 本文算法去霧模型

為了去除霧霾天氣對(duì)計(jì)算機(jī)光學(xué)視覺采集圖像的影響，研究霧霾天氣下的大氣散射模型有助于圖像精確去除霧霾。 McCartney作為去霧研究的先驅(qū)，最先提出大氣散射模型構(gòu)想，而Narasimhan等人[5-6]在不同天氣條件下研究大氣粒子特性，通過大量實(shí)驗(yàn)結(jié)果提出并完成了大氣散射模型，其模型如式(1)所示。依據(jù)式(1)可知，有霧圖像中隱含景物圖像透射圖t(x)和全局大氣光值A(chǔ)：

I(x)=J(x)t(x)+A(1-t(x))。

(1)

該模型包含物體反射光衰減模型以及環(huán)境大氣光模型兩部分，其中x為二維圖像像素值，有霧圖像用I(x)表示，無霧圖像用J(x)表示，大氣光值用A表示，大氣透射率t(x)定義如式(2)所示。

t(x)=e-βd(x),

(2)

式中，β代表大氣散射系數(shù)，d(x)代表景深。景深越深，大氣透射率越小，前景物體反射的光線被散射越嚴(yán)重。為了實(shí)現(xiàn)利用大氣散射模型單幅有霧圖像有效去霧，式(1)變形為式(3)。

J(x)=I(x)/t(x)+A(1-1/t(x))。

(3)

依據(jù)式(3)可知，若能夠利用單幅有霧圖像信息估計(jì)出大氣透射圖t(x)和全局大氣光值A(chǔ)，可以利用式(3)實(shí)現(xiàn)有霧圖像有效去霧。傳統(tǒng)去霧算法難以解決單幅有霧圖像準(zhǔn)確去霧問題，面臨著諸多病態(tài)問題。

借助深度學(xué)習(xí)算法能夠較好地還原圖像隱含有t(x)和A的特征圖數(shù)據(jù)，有效解決單幅圖像去霧諸多病態(tài)問題。Li等人[13]提出AOD-Net算法，其提出算法如式(4)所示。由于該算法屬于輕量級(jí)去霧網(wǎng)絡(luò)，面對(duì)單幅圖像去霧任務(wù)這一病態(tài)問題，該去霧算法得到的去霧圖像J(x)仍存在一定的去霧圖像失真問題。為了進(jìn)一步提高去霧圖像品質(zhì)，有效克服單幅圖像去霧面臨的諸多病態(tài)問題，本文提出CCPVEN去霧算法對(duì)J(x)進(jìn)一步精細(xì)處理，將有霧圖I(x)和J(x)相減，得到差值D(x)，如式(5)所示。然后對(duì)D(x) 進(jìn)行非線性處理得到差值特征圖(D(x))′。最后將I(x)和(D(x))′相減得到比較精確無霧圖(J(x))′，如式(6)所示。

J(x)=K(x)I(x)-K(x)+b,

(4)

D(x)=I(x)-J(x),

(5)

(J(x))′=I(x)-(D(x))′。

(6)

2 大氣散射模型約束的金字塔視野擴(kuò)張網(wǎng)絡(luò)去霧算法

采用深度學(xué)習(xí)算法估計(jì)出無霧圖是近年來去霧算法研究的熱點(diǎn)。單幅圖像去霧任務(wù)面臨諸多病態(tài)問題，當(dāng)今諸多神經(jīng)網(wǎng)絡(luò)去霧算法缺乏去霧模型條件約束，較難解決單幅圖像去霧出現(xiàn)的諸多病態(tài)問題，導(dǎo)致去霧圖像常常出現(xiàn)去霧斑塊、色彩畸變等失真現(xiàn)象。同時(shí)視野尺寸較小的卷積核難以提取圖像的上下文信息，而圖像的上下文信息是解決單幅圖像去霧所面臨的諸多病態(tài)問題的關(guān)鍵因素。為此本文提出一種端到端的具有大氣散射模型條件約束的金字塔視野擴(kuò)張網(wǎng)絡(luò)去霧算法，在去霧模型的約束的基礎(chǔ)上，增加非線性去霧模塊，能夠準(zhǔn)確去霧。本文算法整體結(jié)構(gòu)如圖1所示。

圖1 CCPVEN算法整體結(jié)構(gòu)圖

2.1 CCPVEN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)大氣散射模型可知，有霧圖像隱含圖像透射率和全局大氣光值。傳統(tǒng)去霧方法難以準(zhǔn)確估計(jì)圖像透射圖及全局大氣光值，去霧效果存在瑕疵。近年來隨著科技的發(fā)展，神經(jīng)網(wǎng)絡(luò)去霧算法成為當(dāng)前圖像去霧的研究熱點(diǎn)。本文提出算法是從單幅有霧圖像中還原出其隱含有圖像透射率和全局大氣光值的數(shù)據(jù)，并以大氣散射模型為條件約束，增加非線性去霧模塊，估計(jì)出無霧圖像，較好地克服單幅圖像去霧的諸多病態(tài)問題。本節(jié)詳細(xì)解釋CCPVEN算法結(jié)構(gòu)和多分量損失函數(shù)。本文提出算法網(wǎng)絡(luò)結(jié)構(gòu)如表1所示,其中卷積層設(shè)置欄(Layer setting)中3×3,32,1,1,Relu依次表示為卷積核尺寸為3×3，神經(jīng)元個(gè)數(shù)為32，stride為1,padding為1,采用Relu激活函數(shù)。其他卷積層設(shè)置同理。

2.1.1 CNN1網(wǎng)絡(luò)模塊結(jié)構(gòu)

本文算法中的CNN1網(wǎng)絡(luò)模塊，輸入有霧圖像，提取多維圖像特征圖，為還原出有霧圖像中隱含有透射率和全局大氣光值的特征圖數(shù)據(jù)做準(zhǔn)備。CNN1網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 CCPVEN算法結(jié)構(gòu)

CNN1網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)M1_conv1和M1_conv2對(duì)有霧圖像初步提取特征圖，將該提取特征圖送入由M1_Block1、M1_Block2和M1_Block3組成的三級(jí)堆疊網(wǎng)絡(luò)提取多維特征圖，后經(jīng)M1_conv3卷積層提取出多維特征圖Coarse_map1。為下一步從有霧圖像中還原出隱含有前景圖像透射率和全局大氣光值的特征圖提供數(shù)據(jù)。

2.1.2 PVEM模塊

利用去霧模型還原無霧圖像，準(zhǔn)確獲取隱含有圖像的透射圖和全局大氣光值數(shù)據(jù)，需要獲得圖像上下文信息。由于一般卷積核比較小，造成神經(jīng)網(wǎng)絡(luò)感受視野范圍比較小，無法獲取相鄰事物圖像的上下文信息。為增大神經(jīng)網(wǎng)絡(luò)感受視野，獲取圖像的上下文語義信息，本文提出金字塔視野擴(kuò)張模塊(PVEM)，其模塊結(jié)構(gòu)如圖2所示，PVEM網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。PVEM模塊接收來自CNN1輸出的Coarse_map1多維特征圖，首先經(jīng)P1_conv1卷積層進(jìn)行特征提取。PVEM模塊中視野擴(kuò)張部分由二級(jí)池化kernel 2×2的P1_ pooling1、kernel 4×4的P1_ pooling1以及二級(jí)多尺度卷積kernel 5×5的P1_ conv2、 kernel 7×7的P1_ conv3形成空間金字塔結(jié)構(gòu)。每級(jí)池化模塊組成包含最大池化層、上采樣層和卷積層。P1_ conv1卷積層輸出的特征圖經(jīng)空間金字塔網(wǎng)絡(luò)進(jìn)行視野擴(kuò)張?zhí)崛√卣魈幚砗螅玫紹×C×H×W維度的4組特征圖，并按C維度組合特征圖Concat_map1，后經(jīng)Fusion1模塊的P1_conv4 和P1_conv5二級(jí)卷積網(wǎng)絡(luò)融合處理得到Fusion_map1特征圖。特征圖Fusion_map1和CNN1模塊輸出的特征圖Coarse_map1按C維度組合特征圖Concat_map2，特征圖Concat_map2經(jīng)Fusion2模塊的P1_conv6一級(jí)卷積網(wǎng)絡(luò)融合處理得到Fusion_map2特征圖。Fusion_map2特征圖數(shù)據(jù)為下一步還原出隱含有圖像透射率和全局大氣光值的特征數(shù)據(jù)提供數(shù)據(jù)支持。

圖2 PVEM結(jié)構(gòu)圖

2.1.3 CNN2網(wǎng)絡(luò)還原K(x)及去霧模塊

為還原出隱含有霧圖像中的透射圖和全局大氣光值的特征數(shù)據(jù)，本文提出CNN2網(wǎng)絡(luò)算法。CNN2網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。PVEM模塊輸出的Fusion_map2融合特征圖送入CNN2網(wǎng)絡(luò)模塊，經(jīng)兩級(jí)卷積神經(jīng)網(wǎng)絡(luò)M2_conv1和M2_conv2進(jìn)一步提取特征圖。將P1_conv6卷積網(wǎng)絡(luò)輸出的特征圖和M2_conv2卷積網(wǎng)絡(luò)輸出的特征圖按C維度上拼接組成特征圖Concat_map3。組合特征圖Concat_map3經(jīng)M2_conv3、M2_conv4、M2_conv5三級(jí)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取、特征圖正則化和維度變換后得到隱含有t(x)和A的K(x)。將K(x)代入式(4)得到去霧圖J(x)。

2.1.4 CNN3網(wǎng)絡(luò)非線性處理和無霧圖像還原模塊

單幅圖像去霧面臨諸多病態(tài)問題，利用去霧模型還原無霧圖是遠(yuǎn)遠(yuǎn)不夠的。為增加神經(jīng)網(wǎng)絡(luò)對(duì)非線性去霧任務(wù)學(xué)習(xí)能力，產(chǎn)生較好的去霧效果，本文提出CNN3網(wǎng)絡(luò)算法。初步得到的去霧圖J(x)送入CNN3網(wǎng)絡(luò)進(jìn)行非線性處理，以期得到較好的去霧效果。CNN3結(jié)構(gòu)如圖3所示，CNN3網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。有霧圖I(x)和去霧圖J(x)相減，得到差值D(x)。D(x) 送入CNN3網(wǎng)絡(luò)中的三級(jí)卷積網(wǎng)絡(luò)M3_conv1、M3_conv2和M3_conv3進(jìn)行提取差值特征圖，然后將M3_conv2輸出的特征圖和M3_conv3輸出的特征圖按C維度拼接組成組合特征圖Concat_map4，然后將Concat_map4送入M3_conv4、M3_conv5和M3_conv6進(jìn)行提取特征圖和調(diào)整維度，得到差值特征圖(D(x))′。最后將I(x)和(D(x))′相減最終得到精確去霧圖(J(x))′。

圖3 CNN3模塊結(jié)構(gòu)圖

2.2 損失函數(shù)

通常神經(jīng)網(wǎng)絡(luò)去霧算法采用單一均方誤差(MSE)[20]損失函數(shù)訓(xùn)練網(wǎng)絡(luò)。為了使本文提出的去霧網(wǎng)絡(luò)能夠更多還原出無霧圖像的細(xì)節(jié)，本文定義多分量損失函數(shù)，用于訓(xùn)練所提出的CCPVEN網(wǎng)絡(luò)。一分量是用MSE損失衡量預(yù)測(cè)去霧圖像和真實(shí)無霧圖像間的像素相似性；二分量是用小波[21]感知損失衡量預(yù)測(cè)去霧圖像和真實(shí)無霧圖像間的結(jié)構(gòu)相似性；三分量是采用HSV[22]類似人眼感知損失衡量預(yù)測(cè)去霧圖像和真實(shí)無霧圖像間的色彩相似性。本文提出的多分量損失函數(shù)如式(7)所示。式(7)中LMSE(Θ)代表含義為從像素層面角度預(yù)測(cè)無霧圖像。

(7)

式中,LMSE(Θ)、LWP(Θ)和LHSV(Θ)分別表示為：

(8)

WAVELET(Ji(x))=2,

(9)

HSV(Ji(x))=2。

(10)

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出去霧算法的有效性和魯棒性，采用RESIDE[23]合成霧霾數(shù)據(jù)集訓(xùn)練本文提出的去霧網(wǎng)絡(luò)，并進(jìn)行去霧對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)平臺(tái)采用 CPU i5-7500 處理器、顯卡采用 GTX 1080Ti、內(nèi)存為16 G、操作系統(tǒng)為ubuntu16.04的臺(tái)式計(jì)算機(jī)，并運(yùn)用Python3.5及Pytorh0.4.1對(duì)本文所提去霧算法進(jìn)行編程實(shí)驗(yàn)。訓(xùn)練網(wǎng)絡(luò)采用的多分量損失函數(shù)系數(shù)α、β及神經(jīng)網(wǎng)絡(luò)權(quán)值約束懲罰系數(shù)λ分別采用0.5、0.5及0.001。

3.1 本文算法與當(dāng)今流行去霧算法對(duì)比去霧實(shí)驗(yàn)

為了驗(yàn)證本文CCPVEN去霧算法的有效性和魯棒性，與當(dāng)今流行去霧算法進(jìn)行對(duì)比去霧實(shí)驗(yàn)。對(duì)比實(shí)驗(yàn)評(píng)價(jià)數(shù)據(jù)采用戶外真實(shí)場(chǎng)景數(shù)據(jù)集(O-HAZE)[24]，主觀評(píng)價(jià)去霧圖像是否存在色彩及圖像結(jié)構(gòu)失真現(xiàn)象，客觀評(píng)價(jià)利用PSNR 和 SSIM 圖像相似性評(píng)價(jià)指標(biāo)[25]進(jìn)行對(duì)比實(shí)驗(yàn)，從主觀和客觀角度評(píng)估各去霧算法的優(yōu)劣。

3.1.1 本文算法與其他流行去霧算法主觀評(píng)價(jià)對(duì)比去霧試驗(yàn)

本文算法和DCP[7]、AOD-Net[13]、GCANet[14]近年來流行的去霧算法進(jìn)行主觀評(píng)價(jià)對(duì)比實(shí)驗(yàn)，主觀評(píng)估本文算法的可行性與有效性。主觀評(píng)價(jià)對(duì)比去霧試驗(yàn)如圖4所示。

其中圖4(a)、圖4(g)、圖4(m)為3張有霧圖像，圖4(b)、圖4(h)、圖4(n)采用DCP[7]算法的3張去霧圖像，圖4(c)、圖4(i)、圖4(o)為采用AOD[13]算法的3張去霧圖像，圖4(d)、圖4(j)、圖4(p)為采用GCA[14]算法的3張去霧圖像，圖4(e)、圖4(k)、圖4(q)為本文去霧算法的3張去霧圖像，圖4(f)、圖4(l)、圖4(r)為3張真實(shí)無霧圖像。

首先,對(duì)比圖4(f)、圖4(l)、圖4(r) 3張真實(shí)無霧圖像，觀察圖4(b)、圖4(h)、圖4(n)3張DCP算法去霧圖像，紅色圓標(biāo)記部分均存在天空和前景物體圖像交界處圖像顏色失真現(xiàn)象，這是因?yàn)樵撍惴ù嬖谙忍觳蛔?，由于天空區(qū)域缺乏暗原色，該算法過低估計(jì)圖像天空及其交界過渡區(qū)域透射率，造成天空及過渡區(qū)域圖像過度去霧，致使圖像顏色及圖像結(jié)構(gòu)較大失真。通過主觀評(píng)價(jià)對(duì)比實(shí)驗(yàn)可知，DCP算法去霧圖像存在較大失真現(xiàn)象。

其次，對(duì)比圖4(f)、圖4 (l)、圖4 (r)3張真實(shí)無霧圖像，觀察圖4(c)、圖4(i)、圖4 (o)3張AOD算法去霧圖像，紅色圓標(biāo)記部分的前景物體圖像均出現(xiàn)色飽和度較大失真現(xiàn)象。這是由于該算法用一變量K(x)代替圖像全局大氣光值和透射率函數(shù)關(guān)系，無法準(zhǔn)確利用去霧模型去霧，致使去霧圖像存在色飽和度較大失真現(xiàn)象。通過主觀評(píng)價(jià)對(duì)比實(shí)驗(yàn)可知，AODnet算法去霧圖像存在圖像色飽和度較大失真現(xiàn)象。

再次，對(duì)比圖4(f)、圖4 (l)、圖4 (r) 3張真實(shí)無霧圖像，觀察圖4(d)、圖4 (j)、圖4 (p)3張GCA算法的去霧圖像，紅色圓標(biāo)記部分前景物體圖像均出現(xiàn)嚴(yán)重圖像色調(diào)失真現(xiàn)象。由于該算法沒有采用去霧模型條件約束，該算法網(wǎng)絡(luò)難以勝任存在諸多病態(tài)問題的去霧任務(wù)。通過主觀評(píng)價(jià)對(duì)比實(shí)驗(yàn)可知，GCA算法去霧圖像存在色調(diào)較大失真現(xiàn)象。

最后，對(duì)比圖4(f)、圖4(l)、圖4(r) 3張真實(shí)無霧圖像，觀察圖4(e)、圖4 (k)、圖4 (q) 3張本文去霧算法的去霧圖像，紅色圓標(biāo)記部分均未出現(xiàn)較大圖像色調(diào)和色飽和度以及結(jié)構(gòu)失真現(xiàn)象，去霧圖像接近于真實(shí)無霧圖像。這是由于本文算法采用大氣衰減模型作為約束條件，增加非線性去霧模塊及采用多分量代價(jià)函數(shù)訓(xùn)練本文去霧網(wǎng)絡(luò)，去霧圖像還原較好，接近真實(shí)無霧圖像。與其他流行算法的去霧圖像主觀對(duì)比觀察，本文算法去霧效果優(yōu)于對(duì)比算法。

圖4 主觀和客觀評(píng)價(jià)對(duì)比去霧試驗(yàn)

3.1.2 本文算法與其他流行去霧算法客觀評(píng)價(jià)對(duì)比去霧試驗(yàn)

為了驗(yàn)證本文去霧算法的有效性和魯棒性，本節(jié)進(jìn)行客觀評(píng)價(jià)對(duì)比去霧試驗(yàn)。本文采用PSNR和SSIM相似性評(píng)價(jià)指標(biāo)[25]客觀評(píng)價(jià)對(duì)比去霧實(shí)驗(yàn)結(jié)果?？陀^評(píng)價(jià)對(duì)比去霧試驗(yàn)如圖4和圖5所示，其中圖片下面括號(hào)中，第一個(gè)數(shù)據(jù)為對(duì)比圖片和相應(yīng)真實(shí)無霧圖之間的PSNR值(單位為dB)。第二個(gè)數(shù)據(jù)為對(duì)比圖片和相應(yīng)真實(shí)無霧圖之間的SSIM值，值域在閉區(qū)間[0,1]。將圖4、圖5對(duì)比算法去霧圖像的客觀評(píng)價(jià)指標(biāo)實(shí)驗(yàn)數(shù)據(jù)按圖中次序填入客觀對(duì)比實(shí)驗(yàn)數(shù)據(jù)表，如表2所示。表2中DCP minus CCP表示算法DCP算法去霧圖客觀評(píng)價(jià)數(shù)據(jù)減去本文CCPVEN算法去霧圖客觀評(píng)價(jià)數(shù)據(jù),AOD minus CCP及GCA minus CCP含義同理。

結(jié)合圖4、圖5中去霧圖像及其相對(duì)應(yīng)客觀評(píng)價(jià)指標(biāo)數(shù)據(jù)，分析表2中客觀評(píng)價(jià)對(duì)比實(shí)驗(yàn)數(shù)據(jù)。依照表2客觀數(shù)據(jù)可知，DCP算法去霧圖的客觀評(píng)價(jià)數(shù)據(jù)和本文CCPVEN算法去霧圖客觀評(píng)價(jià)數(shù)據(jù)相比較可知，DCP minus CCP一列欄數(shù)據(jù)中兩算法間PSNR差值在-8.1～-5.2 dB區(qū)間分布，二者間SSIM差值在區(qū)間在-0.01～0.01分布，說明本文算法去霧圖像在像素級(jí)圖像質(zhì)量方面優(yōu)于DCP算法，在圖像結(jié)構(gòu)評(píng)價(jià)指標(biāo)上兩算法不分伯仲。通過對(duì)比數(shù)據(jù)可知，本文去霧算法優(yōu)于DCP去霧算法。由表2客觀數(shù)據(jù)可知，AOD算法去霧圖的客觀評(píng)價(jià)數(shù)據(jù)和本文CCPVEN算法去霧圖客觀評(píng)價(jià)數(shù)據(jù)相比較可知，AOD minus CCP一列欄數(shù)據(jù)中兩算法間PSNR差值在-7.0～-3.0 dB區(qū)間分布，兩算法間SSIM值差值在-0.29～-0.23區(qū)間分布，說明本文算法去霧圖像在像素級(jí)圖像質(zhì)量方面優(yōu)于AOD算法，在圖像結(jié)構(gòu)方面上同樣優(yōu)于AOD算法。通過對(duì)比數(shù)據(jù)可知，本文去霧算法優(yōu)于AOD去霧算法。

圖5 客觀評(píng)價(jià)對(duì)比去霧試驗(yàn)

依表2客觀數(shù)據(jù)可知，GCA算法去霧圖的客觀評(píng)價(jià)數(shù)據(jù)和本文CCPVEN算法去霧圖客觀評(píng)價(jià)數(shù)據(jù)相比較可知，GCA minus CCP一列欄數(shù)據(jù)中兩算法間PSNR差值在-5.3～-1.2 dB區(qū)間分布，兩算法間SSIM值差值在-0.05～0.01區(qū)間分布，說明本文算法去霧圖像在像素級(jí)圖像質(zhì)量方面優(yōu)于GCA算法，在圖像結(jié)構(gòu)層面上略勝于GCA算法。通過對(duì)比數(shù)據(jù)可知，本文去霧算法優(yōu)于GCA去霧算法。

表2 本文算法與流行對(duì)比算法客觀評(píng)價(jià)數(shù)據(jù)表

以上客觀評(píng)價(jià)對(duì)比實(shí)驗(yàn)數(shù)據(jù)表明，證明了本文CCPVEN去霧算法的可行性與有效性。

為了驗(yàn)證本文CCPVEN去霧算法的去霧的魯棒性，實(shí)驗(yàn)采用戶外真實(shí)場(chǎng)景數(shù)據(jù)集(O-HAZE)[24]作為測(cè)試數(shù)據(jù)集，與當(dāng)今流行去霧算法在整個(gè)數(shù)據(jù)集進(jìn)行去霧實(shí)驗(yàn)。根據(jù)對(duì)比實(shí)驗(yàn)結(jié)果，各對(duì)比算法去霧圖像取PPSR和SSIM圖像相似性評(píng)價(jià)指標(biāo)[25]的均值，客觀評(píng)價(jià)本文算法的去霧魯棒性。評(píng)價(jià)本文算法去霧魯棒性實(shí)驗(yàn)數(shù)據(jù)如表3所示。

由表3可知，本文提出CCPVEN算法在整個(gè)RESIDE數(shù)據(jù)集上去霧圖像平均PPSR指標(biāo)為18.1 dB，去霧圖像平均SSIM指標(biāo)為0.73，相較DCP算法去霧結(jié)果平均PPSR指標(biāo)高6.6 dB，平均SSIM不分伯仲。相較AOD算法去霧結(jié)果平均PPSR指標(biāo)高4.3 dB，平均SSIM高0.28。相較GCA算法去霧結(jié)果平均PPSR指標(biāo)高2.4 dB，平均SSIM不分伯仲。表3魯棒性去霧實(shí)驗(yàn)數(shù)據(jù)表明，本文算法去霧魯棒性強(qiáng)，去霧結(jié)果優(yōu)于對(duì)比算法。

表3 本文算法去霧魯棒性實(shí)驗(yàn)數(shù)據(jù)表

3.2 本文算法網(wǎng)絡(luò)消融去霧實(shí)驗(yàn)

為了證明本文CCPVEN去霧網(wǎng)絡(luò)的優(yōu)越性，進(jìn)行CCPVEN網(wǎng)絡(luò)的各模塊消融去霧實(shí)驗(yàn)。本文主要關(guān)注這些因素：一是金字塔視野擴(kuò)張模塊(PVEM);二是CNN3中對(duì)差值D(x)的非線性處理模塊CNN3_NL，包括M3_conv1- M3_conv6六級(jí)卷積層。采用RESIDE[23]合成霧霾數(shù)據(jù)集訓(xùn)練本文網(wǎng)絡(luò)，采用戶外真實(shí)場(chǎng)景數(shù)據(jù)集(O-HAZE)作為去霧實(shí)驗(yàn)測(cè)試數(shù)據(jù)集，測(cè)評(píng)不同模塊組合去霧效果，CCPVEN網(wǎng)絡(luò)結(jié)構(gòu)評(píng)估實(shí)驗(yàn)數(shù)據(jù)如表4所示。

表4 本文算法CCPVEN網(wǎng)絡(luò)結(jié)構(gòu)評(píng)估實(shí)驗(yàn)數(shù)據(jù)

如表4所示，CCPVEN對(duì)PVEM消融去霧實(shí)驗(yàn)，其他結(jié)構(gòu)保留，測(cè)試集去霧結(jié)果平均PPSR指標(biāo)為16.9 dB。CCPVEN對(duì)CNN3中的對(duì)差值D(x)的非線性處理模塊CNN3_NL消融去霧實(shí)驗(yàn)，其他結(jié)構(gòu)保留，測(cè)試集去霧結(jié)果平均PPSR指標(biāo)為14.1 dB。而保留CCPVEN網(wǎng)絡(luò)全部模塊，則測(cè)試集去霧結(jié)果平均PPSR指標(biāo)為18.1 dB。由此可見，在CCPVEN網(wǎng)絡(luò)基本框架下，PVEM以及CNN3中對(duì)差值D(x)的非線性處理模塊都是本文提出網(wǎng)絡(luò)算法不可或缺的重要組成部分，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文去霧算法的優(yōu)越性。

4 結(jié)論

本文提出了端到端具有條件約束的金字塔視野擴(kuò)張網(wǎng)絡(luò)算法，并和其他流行去霧算法進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出算法能夠有效克服對(duì)比算法去霧圖像色彩失真及圖像結(jié)構(gòu)失真等問題，去霧效果優(yōu)于其他對(duì)比算法，具有去霧有效性和魯棒性。由于本文算法采用的訓(xùn)練數(shù)據(jù)集是虛擬合成的，訓(xùn)練出的去霧模型仍存在不足，今后仍致力于去霧算法的研究，滿足霧天生產(chǎn)生活的安全需求。