为解决图像去雾后颜色偏暗以及去雾不彻底等问题, 本文提出了一种基于多尺度融合卷积神经网络的图像去雾算法。以有雾图像为输入, 首先经过预处理模块由单尺度卷积层提取有雾图像浅层信息, 然后设计多尺度映射模块实现深度特征学习以及深、浅层特征融合, 由反卷积模块还原图像尺寸, 通过卷积操作得到有雾图像对应的粗透射率图。采用双边滤波法优化输出细透射率图, 最后依据大气散射模型复原出无雾图像。实验结果表明: 本文方法在合成有雾图像和自然有雾图像上均优于其他算法, 其中合成有雾图像上的峰值信噪比(PSNR)、结构相似性(SSIM)能分别达到29.238、0.950。本文所提算法可以有效地避免去雾图像颜色偏暗、失真等不足, 提高了图像去雾性能并体现出良好的视觉效果。

红外云图中的云系主要由积雨云、卷云、层云和积云组成，它们对于气象研究有很大的帮助。这 4类云系具有不同的分形维数特征，因而可以借此对它们进行分割。但是由于地表和一些云具有相似的分形维数特征，单纯依靠分形维数的分割效果不理想。对此，采用最大类间方差（Otsu）算法，分离出地表，去除干扰，并对提取出的云系采用分形维数进行分割。由于传统分形维数算法在计算时只选取了窗口内的灰度最大和最小的像素点，获得的分形维数特征不够精确，造成分割的云系出现混淆的现象。对此，在计算的过程中加入窗口中的全部像素点，获得的分形维数能准确地描述区域特征，保证了云系分割的良好效果。