基于高斯過程回歸及訓(xùn)練樣本搜索的除霧研究.pdf

1、碩士學(xué)位論文基于高斯過程回歸及訓(xùn)練樣本搜索的除霧研究基于高斯過程回歸及訓(xùn)練樣本搜索的除霧研究AStudyonDehazingwithGaussianProcessRegressionTrainingExampleSearching作者姓名：唐弦璇學(xué)科、專業(yè)：軟件工程學(xué)號(hào)：21417040指導(dǎo)教師：樊鑫完成日期：2017319大連理工大學(xué)DalianUniversityofTechnology大連理工大學(xué)碩士學(xué)位論文I摘要在有霧天氣下拍攝

2、的室外照片具有較低的清晰度及對(duì)比度，會(huì)在人類感應(yīng)以及計(jì)算機(jī)視覺應(yīng)用上產(chǎn)生障礙。因此，一直以來，研究者們都致力于除霧算法的研究，實(shí)現(xiàn)圖片的恢復(fù)或加強(qiáng)。十余年來，研究者們提出了很多先驗(yàn)假設(shè)來獲取霧圖的一些決定性或是統(tǒng)計(jì)性特性，從而實(shí)現(xiàn)除霧。但先驗(yàn)除霧算法具有適用性不強(qiáng)的缺點(diǎn)，因此，近年來數(shù)據(jù)驅(qū)動(dòng)除霧算法逐漸成為主流，并取得了很好的成果。數(shù)據(jù)驅(qū)動(dòng)模型的核心是訓(xùn)練集，使用最優(yōu)的訓(xùn)練集能很大程度提升模型的性能。然而，這些算法中卻很少有關(guān)于對(duì)訓(xùn)練集

3、做處理的研究。另一方面，很多數(shù)據(jù)驅(qū)動(dòng)模型的準(zhǔn)確性不高，回歸誤差大，導(dǎo)致了一些不好的除霧結(jié)果。因此，本文從提高模型準(zhǔn)確性以及訓(xùn)練集搜索兩個(gè)方面進(jìn)行了研究。本文首先提出了一個(gè)兩層聯(lián)合的高斯過程回歸模型來學(xué)習(xí)得到霧圖與透射率圖之間的聯(lián)系。在論文中，我們推導(dǎo)證明了兩層聯(lián)合模型的優(yōu)勢(shì)。這個(gè)模型回歸的誤差極小，準(zhǔn)確性很高。同時(shí)，根據(jù)訓(xùn)練圖片中霧的分布與濃度，本文還使用了兩步篩選算法得到了合適的訓(xùn)練集，進(jìn)一步優(yōu)化了回歸算法。本文的另一個(gè)研究中提出了一

4、個(gè)適應(yīng)輸入的訓(xùn)練集搜索算法。對(duì)輸入的每個(gè)測(cè)試樣本，這個(gè)搜索算法都能自動(dòng)搜索到與它相關(guān)性強(qiáng)的訓(xùn)練樣本來訓(xùn)練模型。相對(duì)于兩步篩選過程得到的固定訓(xùn)練集，這個(gè)搜索算法得到的訓(xùn)練集適應(yīng)輸入，魯棒性更高。由于對(duì)每個(gè)測(cè)試樣本對(duì)應(yīng)的訓(xùn)練集都進(jìn)行了搜索，導(dǎo)致了一些時(shí)間上的消耗，所以本文還提出了kd樹和漢明嵌入兩種快速搜索算法來提高效率。在建立的霧圖測(cè)試集上的結(jié)果表明，相比于最新的一些除霧算法，本文兩個(gè)方法的結(jié)果都具有更高的清晰度和真實(shí)度。關(guān)鍵詞：除霧；數(shù)