[發明專利]一種基于深度學習的單幅圖像去霧算法

有效

• 申請號: 201710113254.8
• 申請日: 2017-02-28
• 公開（公告）號: CN106910175B
• 公開（公告）日: 2020-01-24
• 發明（設計）人: 肖進勝;鄒文濤;雷俊鋒;章勇勤;高威;岳學東
• 申請（專利權）人: 武漢大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 42222 武漢科皓知識產權代理事務所(特殊普通合伙)
• 代理人: 魯力

1.一種基于深度學習的單幅圖像去霧算法，其特征在于，具體包括如下步驟：

步驟1、獲取Middlebury Stereo Datasets以及在網上下載明亮的且無霧的圖像作為訓練樣本中的無霧圖像集；

步驟2、對無霧圖像集利用Adobe lightroom CC方法人工加霧，并對無霧圖像集添加了不同濃度的霧，得到有霧圖像集；將有霧圖像集和無霧圖像集轉換成HDF5的數據格式，生成訓練樣本和測試樣本，便于訓練，具體包括：

步驟2.1、基于lightroom CC方法的dehaze功能人工的為步驟1中的無霧圖像集加霧，為了能夠適應不同天氣條件下的霧濃度，學習到不同霧濃度圖像的特征，對無霧圖像集合成了濃度分別為10,20,30,40,50,60,70,80,90,100的霧，得到有霧圖像集；

步驟2.2、挑選有霧圖像和無霧圖像1450對作為訓練樣本，剩余302對作為測試樣本；

步驟2.3、將訓練樣本和測試樣本分別裁剪成29*29和25*25的圖像塊，

步驟2.4、再將訓練樣本和測試樣本的圖像塊轉換為HDF5格式作為網絡輸入；

步驟3、將HDF5格式的訓練樣本和測試樣本輸入至卷積神經網絡，具體包括：

步驟3.1、進行特征提取：由一層卷積網絡構成，包含56個5*5的高斯濾波器；輸入的每一個有霧圖像塊與所有濾波器進行卷積，每一個輸入圖像塊被一個高維特征向量所代表；

步驟3.2、進行維度收縮：由一層卷積網絡構成，包含12個1*1的高斯濾波器；維度收縮層用來降低特征向量維度；

步驟3.3、進行非線性映射：由六層卷積網絡構成，每一層都包含12個3*3的高斯濾波器；該部分濾波器的個數和網絡的層數都是影響最后效果的重要因素；

步驟3.4、進行維度擴展：由一層網絡構成，包含56個1*1的高斯濾波器；該部分可以看做是第二部分的逆過程，這一部分將低維度特征向量擴展到高維度，保存細節特征；

步驟3.5、進行反卷積：由一層網絡構成，包含3個5*5的高斯濾波器；該部分主要利用一組反卷積高斯濾波器來聚合先前的特征向量，恢復出無霧圖像；

步驟3.6、每一個卷積網絡層后面都會跟著一個激活函數層，這里我們選用參數修正線性單元PReLU(Parametric Rectified Linear Uint)；

激活函數可以被定義為f(x_i)＝max(x_i,0)+a_i·min(0,x_i)；

步驟4、設置好網絡的學習率和動量參數，利用caffe訓練上述卷積神經網絡，直至代價損失減小到一定程度且訓練達到迭代最大次數，生成訓練模型；

步驟5、將有霧圖像輸入至訓練好的模型中，輸出無霧圖像。

2.根據權利要求1所述的一種基于深度學習的單幅圖像去霧算法，其特征在于，步驟4所述的訓練過程為：

步驟4.1、網絡結構確定以后，將訓練樣本和測試樣本輸入網絡；

步驟4.2、因為輸入有霧圖像和輸出無霧圖像都是彩色的，三個通道同時做比較，loss比單個通道比較要大三倍，所以將學習率設置的相對較小0.00005，防止不收斂，設置每十萬次迭代，學習率變為原來的0.8倍；動量參數設置為0.9；最大迭代次數設置為100萬次；

步驟4.3、進行訓練，得到無霧圖像和有霧圖像之間的映射關系。