一种基于改进的LeNet-5 CNN模型通过图像监控雾度的方法

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。