[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

本發明涉及一種基于深度學習的單幅圖像去霧算法。首先獲取大量明亮且無霧圖像作為訓練樣本中的無霧圖像集，利用模擬軟件對其施加不同濃度的霧干擾，生成有霧圖像集；將無霧圖像集和有霧圖像集轉換成HDF5格式，得到訓練樣本和測試樣本；將訓練樣本和測試樣本輸入設置好參數的深度卷積網絡，訓練該深度卷積網絡，直至代價損失小到一定程度且達到最大迭代次數，得到訓練好的模型。最后將有霧圖像輸入訓練好的模型，直接恢復出無霧圖像。本發明提供了一種端到端的，能夠直接從有霧圖像恢復出無霧圖像的卷積神經網絡，省去了中間參數的估計；同時，避免了有霧圖像中平坦區域的色彩失真，能夠有效處理自然和人工合成的有霧圖像，獲得更好的效果。

技術領域

本發明涉及卷積神經網絡和圖像去霧技術，特別涉及基于卷積神經網絡的，端到端的單幅圖像去霧方法。

背景技術

霧和霾是陸地和海洋上的常見現象。在有霧和朦朧的天氣中，存在許多具有顯著尺寸的大氣顆粒。它們不僅吸收和散射場景的反射光，而且還將一些大氣光散射到相機。因此，由照相機獲取的圖像劣化，并且通常具有低對比度和差的可見性。這將嚴重地影響視覺系統，尤其是可見光視覺系統。由于圖像的劣化，圖像的目標和障礙難以檢測。這對于自動視頻處理是不利的，例如特征提取，目標跟蹤和對象的識別。這也是空中，海上和路上發生事故的主要原因之一。因此，重要的是設計一個圖像去霧算法，以提高視覺系統的環境適應性。

隨著計算機技術的發展，視頻和圖像去霧算法受到了廣泛的關注，并廣泛應用于民用和軍事領域，如遙感，目標檢測和交通監控。

目前，圖像去霧算法主要可以分為三類：第一類是基于圖像增強，并且不考慮有霧條件的物理成像模型。它試圖使用各種圖像增強方法來增強霧圖像的對比度和可見性。該類方法能有效地增強圖像對比度，凸顯細節，使圖像有更好的可視化效果。但這類方法并未從根本上去除霧氣，而且會丟失圖像的某些信息特征。第二類是基于物理模型的圖像復原。圖像復原方法基于在模糊條件下的圖像的劣化原因來建立大氣散射的物理模型。這類算法需要估計物理參數模型，如大氣光照強度和透射率(深度)。然后逆解該物理模型來獲得無霧圖像。圖像復原算法的目的以獲得具有良好可見性同時保持良好的顏色恢復性能的自然清晰的圖像，但處理范圍有限。近年來，隨著深度學習的不斷發展，越來越多的被用于圖像處理領域，且獲得了較好的效果。因此，基于學習的去霧算法可以被認為是第三類去霧算法。現有基于學習的圖像去霧算法，有霧圖像大都是通過深度圖經由大氣散射模型，隨機設置參數人工合成；學習網絡輸入有霧圖像，輸出有霧圖像透射率，然后再經過逆推計算出無霧圖像；

卷積神經網絡不僅能有效較少網絡的訓練參數，使得神經網絡簡單化，而且具有很強的適應性。

發明內容

基于圖像復原算法雖然去霧效果相對較好，但由于簡化的物理模型是基于大氣是單散射且介質均勻的條件下，不具有普適性，如海霧或不均勻霧或平坦區域。而現有基于學習的去霧算法大都是輸入有霧圖像，輸出透射率，還需后處理。針對上述問題，本發明的目的是提出一種基于深度學習且端到端的圖像去霧算法。

為實現上述目的，本發明采取以下技術方案：

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；