标签：卷积 模型 LeNet 除雾 算法 图像 CNN 雾度
一、介绍
近年来，空气污染不仅困扰发达国家，也有许多发展中国家，尤其是快速发展中的国家，例如中国和印度.在阴霾天气条件下，空气中有害颗粒物的浓度会升高，这对人民的健康构成了巨大威胁，对社会和经济发展构成了严重的障碍.此外，在雾霾天气条件下，能见度会大大降低，人们的生活方式受到了极大的影响，所拍摄图像的质量严重下降，个人或工业企业的户外监视也受到影响，例如电力线监视系统，铁路视频监视系统，交通监视系统，甚至边界探测监测系统。由于缺乏监测，雾霾预警，许多死亡事件发生，造成严重的社会和经济损失。雾霾图像极大地给社会带来不便因此，已经进行了许多关于雾度图像的研究，其中大部分集中在去雾算法上以改善图像质量。
除雾算法有两种：一种是多图像融合，另一种是对单个图像进行除雾。原始的除雾算法是通过多图像融合方法实现图像除雾，通过在相同场景或相似场景中进行对比来融合图像，最终减弱了雾度对图像的影响。多图像融合除雾算法的主要问题是多图像采集。这时，单张图片除雾算法应运而生。He等人提出的除雾算法。奠定了基础.其主要思想是利用大气辐射传导模型评估雾度对光的影响，然后消除对整个图像的干扰，以达到除雾效果。为了提高图像质量，已经推出了许多除雾算法，例如.随着人工智能的兴起，出现了一种新的除雾算法网络模型。端到端网络除雾算法.首先，它提取所有与雾度相关的特征，与现有的除雾算法建立关系，并最终通过非线性激活函数输出无雾图像。
到目前为止，除雾算法的性能非常出色。然而，在计算机视觉领域快速发展的时代，很少有研究者专注于雾度图像的识别。卷积神经网络（CNN）是深度学习中使用最广泛的框架。它在目标识别，语音识别和自然语言处理等许多方面都表现出色。在1990年代，LeCun等人。发表的论文中，他们建立了CNN的现代结构。后来，研究人员对其进行了改进，并设计了多层人工神经网络LeNet-5，该网络在手写数字分类中具有出色的应用.在神经网络发展停滞了几十年之后，Krizhevsk等人提出了AlexNet算法。在2012年的上，极大地提高了图像识别的准确性，使CNN再次进入了人们的视野。大量相关算法，例如GoogLeNet , VGNet , ResNets 和DenseNet ，随后出现。这些算法在增加模型深度的同时提高了准确性。该方法的缺点是计算模型的速度降低。目前，图像识别的最新进展是基于兴趣区域和最佳单词袋模型的目标识别，主要思想是将图像的特征视为单词并使图像具有“文字性”。这将有助于大规模图像检索并获得更精细和智能的图像识别操作。CNN是强大的图像识别方法；因此，它被用于雾霾图像识别，因为雾霾图像识别是除雾算法正常工作的前提。
二、CNN工作原理
首先，将图像输入到输入层，然后输入具有k1个内核的第一卷积（C1）。卷积输出的大小与原始图像的大小相同。然后，第一层池化（P1）操作创建k1池化输出。然后，对卷积和池化操作进行迭代以获得k2二维特征输出。接下来是两层完全连接的层；第一层F1将P2层生成的二维分布特征转换为一维特征分布，第二层F2调整一维特征的数量。softmax层采用一维特征来获得属于每个类别的概率。下一步是使用Adam优化器调整权重，最终获得模型优化的结果，使模型具有更高的识别精度。
三、结果
调整后的模型的准确性为98.308％。首先，基于LeNet-5模型对数据集进行训练，发现训练结果的准确性不够，如图5所示。5.基于此，首先调整内核的大小。结果显示，比较表中显示的3×3、5×5和7×7内核后，大小为3×3更好4.尽管结果显示有所改善，但并不理想。模型的宽度增加了。结果表明，从模型中提取的特征越多，结果将越准确；表中显示了16、32和64个内核的比较。根据对比实验，可以发现Adam优化器取得了良好
的效果。但是，由其他优化器训练的模型没有得到很好的结果，这表明模型的参数中存在很多噪声，需要对其进行过滤。Adam算法易于实现，并且具有较高的计算效率和较低的内存需求。亚当算法的梯度的对角线比例是不变的，因此它非常适合解决大规模数据或参数问题。该算法也适用于解决大噪声和稀疏梯度的不稳定问题。由于识别模型中的噪声，选择了Adam优化器来训练网络，表6显示了训练过程的准确性如何随选择不同的优化器而变化。可以看出，当优化器不降低模型参数的噪声时，模型就无法达到正确图像识别的目的。一方面，在高图像相似性的情况下，我们需要增加模型的宽度，获得尽可能多的图像特征，然后更轻松地区分图像。另一方面，当参数太多时，要处理的模型中必然会有很多噪声，这需要减少噪声的干扰。
基于以上两个原因和实验比较，我们确认使用Adam作为优化器的模型更为有效。表5显示了调整后的模型与原始Lent-5模型之间的实验过程比较。可以看出，调整后的模型具有较高的精度和较小的损耗值。识别精度高后，比原始模型具有更好的稳定性。
通过使用调整后的Lenet-5模型的训练数据，可以获得良好的识别结果。为了验证模型的优势，一组比较实验进行了修改。AlexNet模型用于训练相同的数据，并且获得的结果如图所示。通过对折线图的比较，可以发现AlexNet模型在训练过程中波动很大。当迭代达到约75次时，出现剧烈波动，表明模型不稳定。另一方面，AlexNet模型具有更多是网络参数的三倍提出的模型，这大大降低了效率。AlexNet训练模型需要九个小时，而提出的模型仅需一个小时。因此，本文所提出的模型在训练的准确性和模型的复杂性方面都具有优势。
四、讨论
卷积核代表视觉感知领域，其大小代表视觉领域中特征分辨率的大小。当卷积核较小时，图像上的接受场较小，并且从图像中提取局部特征变得更加明显。结果，对图像的理解变得更好，并且可以获得图像的更多特征描述。卷积核越大，接收域就越大，特征提取是在整个范围内进行的，图像的整体结构特征更加完整，这是对图像的较浅的理解。实验结果还表明，当图像的相似度很高时，小的卷积核可以更有效地区分不同类型的图像。同时，卷积核数的选择也很重要。在图像相似度较弱的情况下，卷积次数较少。可以选择内核以获得图像特征；相反，应选择更多数量的卷积核以获得更多图像特征，以实现高精度图像识别。当使用优化器时，Adam优化器显示出良好的训练效果，这是由于其简单的计算，高效率以及对不稳定的目标函数和较大的梯度噪声问题的强适应性。最后，基于上述调整成功地进行了雾度图像的识别。使用CNN识别雾度图像，该方法达到98.308％的准确率，具有很高的识别精度。而且，该算法是图像去雾的前提。该算法还为公司户外监控和政府监控提供了方便，具有良好的应用价值。CNN作为当前计算机视觉中最流行的方法，具有巨大的潜力，将探索更多的应用。算法识别的成功可以通过不同的网络结构或参数实现来调整。可以说，CNN为计算机视觉提供了最强大的模型，但是要实现更广泛和广泛的应用，就需要对参数进行优化，因为不同类型的图像可能对应于CNN模型的不同参数。
小结
雾度图像的识别是实现图像去雾算法的先决条件，该算法在检测各种类型的室外环境中起着重要作用。在这项研究中，通过调整传统LeNet-5模型的参数和结构来执行雾度图像的识别。基本调整包括特征提取的数量和卷积核的大小，这可以增加接受区域的数量并增强细节和对比度。同时，我们的方法中使用了不同的优化程序进行比较；发现Adam优化器是最好的。通过严格的实验，表明改进后的模型可以将识别准确率提高到98.308％。同时，利用浅层学习方法，较少的参数和较少的设备要求，提高了该方法的适用性。该图像识别技术应用于雾度图像领域，具有良好的性能。雾霾图像识别的实现，不仅增加了应用的多样性，而且为城市灾害预警提供了一种新的，高效的检测方法，具有重要的意义。
标签：卷积,模型,LeNet,除雾,算法,图像,CNN,雾度 来源： https://blog.csdn.net/qq_45756171/article/details/115864334
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。