产业技术发展
戚湧;董浪;韩伟;方丽庄
2025, 54(03): 30-37.
在交通场景中,雾气的存在会显著降低图像的纹理细节和色彩信息的清晰度,从而对目标识别与检测产生负面影响。因此,图像恢复技术在机器视觉领域中占据了至关重要的地位。研究综合考虑了可见光图像色彩信息的丰富性与红外图像透视能力的优势,通过融合2种图像的特征以实现去雾效果。采用深度学习方法,构建了层次化的U-Net架构,以实现多尺度去雾特征的融合。在该架构的每一级卷积模块中,运用快速傅里叶变换进行双通路频域分解,并结合动态通道注意力机制,以选择性地增强高频成分,进而提升纹理重构的PSNR值2.08 dB。此外,在保持成分感知的同时,通过结合卷积操作与注意力机制的特点,有效减少了计算开销,以满足真实交通场景下的实时性需求。所提出的算法在保持较低计算成本的同时,在Foggy Cityscapes数据集上取得了优异的性能,并在Foggy Driving等数据集上获得了目前最佳的实验结果,其中在Foggy Driving数据集上的PSNR值达到21.77,SSIM值接近0.927 3。特别是在浓雾条件下,该研究提出的算法在自建数据集上的表现超越了其他现有算法。