0 引言

    在采集自然界圖片的時候經常會遇見散射造成的圖像損失，對于散射有很多情況,，比如：當光線經過細小不規(guī)則分布的顆粒組成的介質的時候,，光子與細小顆粒發(fā)生碰撞，造成行進的線路發(fā)生改變,，產生散射,，最后到達傳感器平面的時候不同線路延時的光子疊加，會造成圖像模糊,，造成對比度與清晰度下降的現象,；光照射在粗糙的物體表面，發(fā)生了漫反射,，反射的圖像會有類似散斑的現象,，這樣的衰減圖片對于自動駕駛,、計算機視覺、醫(yī)學成像都有非常不利的影響^[1],。為了恢復圖像,，POPOFF S M等利用測定傳輸矩陣解卷^[2]和生成共軛波前補償，但是測量傳輸矩陣需要費時的測量,，硬件相對復雜,，使用環(huán)境相對單一，而且只能在照明光具有一定相干性的前提下進行^[3],。為此,，特提出一種使用深度學習的方法，通過學習大量散射圖與無散射圖對比,，讓網絡學習到散射圖和無散射圖之間的映射關系,，避免了費時的傳輸矩陣測量。并且這樣的方法不需要對于樣本進行染色或者標記,，不會對樣本產生破壞^[4],。為此，將傳統(tǒng)的雙層卷積結構進行改進,，采用了dense結構的Unet網絡,，不管是在去散射的指標效果還是視覺效果上都有比較大的提升。因為深度學習需要大量的訓練數據,，訓練數據的好壞對于學習結果起到至關重要的作用,，還提出了一套通過拍攝屏幕的方法來搜集數據集的方法，主要創(chuàng)新有如下幾點,。

    (1)提出了一套相機拍攝屏幕創(chuàng)建深度學習訓練數據的流程,，包含屏幕相機校準和圖像匹配的方法，此方法也可以廣泛用于其他圖像處理和圖像恢復的任務,。

    (2)提出了一種基于深度學習的端對端去散射網絡,，相比于傳統(tǒng)測定傳輸矩陣的方法更加省時省力，且對于成像的樣本沒有損害,，不需要染色或者其他標記,。

    (3)使用環(huán)境相對廣泛，采集裝置相對簡單,，僅僅使用普通手機就可以進行采集,，且對于照明光源沒有太多要求。

    (4)改進了像素到像素圖像恢復雙層卷積的Unet結構,，采用了dense的連接結構,，使網絡具有更好的恢復圖像性能。

本文詳細內容請下載:http://forexkbc.com/resource/share/2000003096

作者信息:

漆建軍

(廣東外語外貿大學 信息科學技術學院,，廣東 廣州510006)