基于暗通道先验与深度学习的大气能见度估计算法研究

作     者：奚超楠 

作者单位：浙江工商大学 

学位级别：硕士

导师姓名：董雪梅

授予年度：2021年

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0706[理学-大气科学] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：大气能见度 深度学习 暗通道先验 深度残差网络 

摘      要：大气能见度是气象观测的关键指标,它制约着道路交通、航空、航海以及军事活动,及时准确地估计当前的能见度,提高大气能见度识别准确性对高速公路管理部门、航空公司、环境监测领域十分重要。但现有基于图像处理的能见度检测方法其准确性和稳定性仍有待提升,因此亟待一种精确、稳定且高效的大气能见度检测方法。本文利用线性回归模型和集成学习模型对能见度与地面气象观测因素之间的关系进行了探索分析,构建了基于Elastic Net模型的关系表达式,探究了影响能见度指标变化的主要气象因素。关系模型的建立在一定程度上可以辅助能见度的估计,但由于气象因素的检测需要依赖于特定的仪器,不适合随时随地监测。因此,本文在能见度检测技术与深度学习的基础上对现有算法进行了理论研究,提出了两种新的能见度检测方法。首先本文提出了一种基于暗通道先验算法与Monodepth2深度算法的能见度检测模型。该方法通过测量图像特征的变化,间接计算出能见度值。将图像通过暗通道先验算法计算大气透射率,接着基于Monodepth2景深估计模型得到场景深度,最后将大气透射率和景深代入雾天成像模型得到大气消光系数,最后利用大气消光系数计算能见度值。模型在测试集上表现优异,尤其对能见度处于中间水平的场景识别准确率较高。针对物理模型对浓雾预测效果不明显及鲁棒性不强的问题,本文又基于深度学习算法对雾霾能见度检测方法展开了研究,提出了一种基于3D卷积深度残差网络的大气能见度检测算法。该方法通过将深度残差网络中的2D卷积替换为3D卷积,并融入卷积模块的注意力机制模块以帮助模型搜索最远的能见距离。实验结果表明,该模型相较于物理模型具有更好的准确性,能见度场景识别精度高,且有较好的鲁棒性。