恶劣环境降质图像增强理论

恶劣环境降质图像增强的主要目的是提高采集图像的质量和可辨识度，从而使智能视频监控系统更有利于观察或进行下一步的智能分析处理，由于计算机对图像的理解能力极度依赖输入图像的质量，因此图像质量增强技术目前已广泛应用于计算机视觉任务的预处理中，具有重要的理论研究意义和实际应用前景。本书立足智能视频监控系统的实际需求，针对雾、雨天气条件下的图像质量退化问题，系统介绍了图像去雾、图像去雨相关研究成果，详细讨论了基于深度学习的恶劣环境降质图像增强方法。本书系统介绍了相关方法的研究背景、理论基础和算法描述，并给出了相应的实验结果，主要内容包括：雾、雨形成机理，数学模型以及图像去雾，图像去雨研究现状(第1章)；图像去雾典型算法及常用数据集(第2章)；图像去雨典型算法及常用数据集(第3章)；基于深度学习的图像去雾算法(第4~7章)；图像去雨算法(第8章)等。本书是计算机图像处理方面的专著，反映了作者近年来在这一领域的主要研究成果。
本书内容新颖、结构清晰、语言简练，可作为大专院校及科研院所模式识别、图像处理和机器视觉等领域的高年级本科生、研究生的教材和参考书，也可作为相关领域的教师、科研人员以及从事图像恢复、图像增强工程技术人员的参考书。

第1章绪论
1.1智能视频监控技术
1.1.1视频监控技术发展阶段
1.1.2典型视频监控系统
1.2图像质量增强技术
1.2.1图像去雾技术
1.2.2图像去雨技术
1.3本书内容安排
参考文献
第2章图像去雾典型算法及常用数据集
2.1基于暗通道先验的图像去雾算法
2.2监督学习图像去雾算法
2.2.1DCPDN
2.2.2ACRE
2.2.3SID
2.3弱监督图像去雾算法
2.3.1CycleGAN方法
2.3.2物理分解方法
2.4图像去雾常用数据集
2.5图像去雾常用评价指标
参考文献
第3章图像去雨典型算法及常用数据集
3.1基于混合高斯模型的图像去雨算法
3.2基于深度学习的图像去雨算法
3.2.1监督学习图像去雨算法
3.2.2半监督学习图像去雨算法
3.3图像去雨常用数据集
3.4图像去雨常用评价指标
参考文献
第4章基于递归卷积的多尺度深度图像去雾算法
4.1算法总体框架
4.2算法具体实现
4.2.1递归特征提取模块
4.2.2多尺度特征融合模块
4.2.3损失函数
4.3实验结果及其分析
4.3.1实验设置
4.3.2合成数据集实验结果
4.3.3真实雾天图像实验结果
参考文献
第5章基于先验信息引导的多编码器图像去雾算法
5.1基于自适应通道融合的图像去雾算法
5.1.1算法总体框架
5.1.2SAGFA模块
5.1.3SE模块
5.1.4损失函数
5.2基于特征调制的图像去雾算法
5.2.1算法总体框架
5.2.2自适应批归一化
5.2.3优化模块
5.2.4损失函数
5.3实验结果及其分析
5.3.1实验设置
5.3.2IHAZE和OHAZE数据集实验结果
5.3.3NHHAZE数据集实验结果
5.3.4定量比较与分析
参考文献
第6章基于物理模型引导的多解码器图像去雾算法
6.1算法总体框架
6.2算法具体实现
6.2.1多尺度特征提取与融合模块
6.2.2注意力模块
6.2.3多尺度监督模块
6.2.4损失函数
6.3实验结果及其分析
6.3.1实验设置
6.3.2HAZERD数据集实验结果
6.3.3DAHAZE数据集实验结果
参考文献
第7章基于物理分解的弱监督图像去雾算法
7.1算法总体框架
7.2算法具体实现
7.2.1DWD判别器
7.2.2DWT特征提取
7.2.3损失函数
7.3实验结果及其分析
7.3.1实验设置
7.3.2合成数据集对比结果
7.3.3真实数据集对比结果
参考文献
第8章基于多阶段特征融合的图像去雨算法
8.1算法总体框架
8.2算法具体实现
8.2.1浅特征提取模块
8.2.2改进的编码-解码器
8.2.3剩余密集子网
8.2.4阶段特征的渐进融合
8.2.5损失函数
8.3实验结果及其分析
8.3.1实验设置
8.3.2实验结果
参考文献