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*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。