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則分布的顆粒組成的介質的時候，光子與細小顆粒發生碰撞，造成行進的線路發生改變，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，主要創新有如下幾點。

    (1)提出了一套相機拍攝屏幕創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://www.xxav2194.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)