轨道交通低能见度场景图像增强系统研究

目标检测、语义分割等视觉任务应用于轨道交通的众多场景，大多数视觉系统被设计为在清晰的环境中执行，然而真实的轨道交通场景必然会包含退化的图像场景，列车一年四季在外遇到的恶劣的天气，以及面对隧道、夜间等环境中较差的照明，这些退化的图像会降低高级视觉任务的性能。本文关注于在恶劣天气(雾天，降雨)和弱光条件导致的能见度低的场景下进行图像增强，改善退化图像质量，为此，本文提出了一种轨道交通低能见度场景图像增强系统，可以自适应地对天气和照度进行分类并对分类后得到的低照度、雾天和雨天这三种场景图像进行增强。将该系统运用于轨道交通场景下的多目标检测以及语义分割应用中，实验结果表明，对于低照度图像以及雾天图像，本文系统可以提升多目标检测及语义分割约1%的准确率，对于雨天图像，本文系统可以提升多目标检测及语义分割4%以上的准确率。

随着我国铁路总里程的不断增长以及智能运维智能列检需求的不断提升，对图像数据质量的要求也越来越高[1]。然而，轨道交通领域的数据采集不可避免地会遇到恶劣照度或者恶劣天气场景，在这些场景下采集的图像数据质量难以满足后续图像处理算法的性能要求[2]。比如夜间采集的图像或在列车底部等光照不强的区域采集的图像，因为照度低或者照度不均匀，存在纹理模糊、对比度低的现象；再比如在雾天或者在雨天天气采集的图像，存在雨雾遮挡的问题，导致图像清晰度低，目标物体难以辨别。这些恶劣场景下的图像在被后续图像处理算法应用时，如在目标检测、语义分割等算法应用中，算法性能被数据质量限制而难以达到令人满意的结果。因此，提升恶劣照度与恶劣天气场景下的图像数据质量， 将有利于改善后续图像处理流程的性能。

在进行图像增强提升数据质量，一方面是人类视觉体验的提升，另一方面对于机器视觉的感知与理解也会有帮助，探索同时使两者受益的总体框架是一个关键问题。现有的研究大多仍以各自解决路线上的问题为目标，他们的模型不足以超越自己的目的(仅用于人类视觉或机器视觉之一) [3]。

针对恶劣天气和恶劣照度场景下的图像增强算法层出不穷[4]-[9]， 既有传统方法也有基于深度学习的方法，涵盖学科理论多种多样。其中涌现了一些经典算法性能令人印象深刻。比如，对于低照度图像， Tao Li 等人提出了一种自适应非线性彩色增强方法[10]， 可以在基本保持图像亮区不变的情况下对图像暗区进行亮度与对比度增强；Rahman 等人提出了多尺度Retinex 增强方法[11]，基于Retinex 理论实现了低照度增强功能。对于带雾图像，何凯明等人发现了清晰图像存在暗通道的统计规律，并基于此提出了暗通道去雾算法[12]，开创了基于暗通道进行去雾的先河；Xu Qin 等人提出了一种特征融合图像去雾算法[13]， 通过引入通道注意与像素注意并将其融合构建了去雾网络， 取得了较好的去雾效果；对于带雨图像， Wei 等人提出了提出了一种简洁的视频去雨模型[14]， 利用基于块的高斯混合模型对雨层进行编码实现去雨功能；Dongwei Ren 等人提出了一种渐进递归去雨网络算法[15]，通过重复展开浅ResNet 并引入递归层，提供了一个有效、简单的基线去雨网络。

然而，当前这些算法大部分仅针对一种场景，没有形成一个整体的框架，也不考虑增强算法与其它