基于高斯過程回歸及訓練樣本搜索的除霧研究.pdf

1、碩士學位論文基于高斯過程回歸及訓練樣本搜索的除霧研究基于高斯過程回歸及訓練樣本搜索的除霧研究AStudyonDehazingwithGaussianProcessRegressionTrainingExampleSearching作者姓名：唐弦璇學科、專業(yè)：軟件工程學號：21417040指導教師：樊鑫完成日期：2017319大連理工大學DalianUniversityofTechnology大連理工大學碩士學位論文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比度，會在人類感應以及計算機視覺應用上產生障礙。因此，一直以來，研究者們都致力于除霧算法的研究，實現(xiàn)圖片的恢復或加強。十余年來，研究者們提出了很多先驗假設來獲取霧圖的一些決定性或是統(tǒng)計性特性，從而實現(xiàn)除霧。但先驗除霧算法具有適用性不強的缺點，因此，近年來數(shù)據驅動除霧算法逐漸成為主流，并取得了很好的成果。數(shù)據驅動模型的核心是訓練集，使用最優(yōu)的訓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于對訓練集

3、做處理的研究。另一方面，很多數(shù)據驅動模型的準確性不高，回歸誤差大，導致了一些不好的除霧結果。因此，本文從提高模型準確性以及訓練集搜索兩個方面進行了研究。本文首先提出了一個兩層聯(lián)合的高斯過程回歸模型來學習得到霧圖與透射率圖之間的聯(lián)系。在論文中，我們推導證明了兩層聯(lián)合模型的優(yōu)勢。這個模型回歸的誤差極小，準確性很高。同時，根據訓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練集，進一步優(yōu)化了回歸算法。本文的另一個研究中提出了一

4、個適應輸入的訓練集搜索算法。對輸入的每個測試樣本，這個搜索算法都能自動搜索到與它相關性強的訓練樣本來訓練模型。相對于兩步篩選過程得到的固定訓練集，這個搜索算法得到的訓練集適應輸入，魯棒性更高。由于對每個測試樣本對應的訓練集都進行了搜索，導致了一些時間上的消耗，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。在建立的霧圖測試集上的結果表明，相比于最新的一些除霧算法，本文兩個方法的結果都具有更高的清晰度和真實度。關鍵詞：除霧；數(shù)