[發明專利]一種基于多尺度稠密連接網絡的圖像去霧方法

有效

• 申請號: 201810361296.8
• 申請日: 2018-04-20
• 公開（公告）號: CN108564549B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 劉文哲;李根;童同;高欽泉
• 申請（專利權）人: 福建帝視信息科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/40;G06N3/04;G06N3/08
• 代理公司: 福州君誠知識產權代理有限公司 35211
• 代理人: 戴雨君

1.一種基于多尺度稠密連接網絡的圖像去霧方法，其特征在于：其包括如下步驟：

步驟1，將單張有霧圖像I(x)進行預處理后，并將預處理后得到的圖像I(x⁴)作為模型的輸入數據；

所述步驟1具體包括以下步驟：

步驟1.1，圖像均衡化：將單張有霧圖像I(x)通過基于對比度限制的自適應直方圖均衡化方法進行圖像預處理，得到圖像I(x¹)；

步驟1.2，圖像歸一化：將預處理后的有霧圖像I(x¹)的每個像素值除以255，使得每一個像素介于[0，1]之間，得到圖像I(x²)；

步驟1.3，圖像負值化：將歸一化處理后的有霧圖像I(x²)的每個像素值都乘以-1，使得每個像素介于[-1，0]之間，得到圖像I(x³)；

步驟1.4，圖像正值化：將負值化處理后的有霧圖像I(x³)的每個像素都加上1，使得每個像素介于[0，1]之間，得到圖像I(x⁴)；

步驟2，將預處理后得到的圖像I(x⁴)分別執行初始階段、多尺度卷積層計算階段、多尺度卷積特征混合計算階段、變量帶入公式計算階段，獲得一幅其對應的去霧處理后的圖像；

所述步驟2具體包括以下步驟：

步驟2.1，初始階段：輸入的預處理后得到的圖像I(x⁴)進行卷積運算和激活函數運算得到其對應的第1層輸出結果F(I(x⁴))，其計算公式是：

F(I(x⁴))＝max(W*I(x⁴)+b，0) (1)

其中W和b分別是第一層網絡的卷積權值參數和偏置參數；

步驟2.2，多尺度卷積層計算階段：將把初始階段提取的卷積特征輸入到由三種不同大小卷積核組成的卷積層組群，卷積層組群由多個i卷積層組構成，即各i卷積層組由3個卷積核組成且該組中的卷積核都具有相同大小，但不同卷積層組之間的卷積核大小不同；具體地，將初始階段的結果F(I(x⁴))分別輸入各i卷積層組，同組中第1個卷積層輸出的結果同第2個卷積層輸出的結果堆疊作為第3個卷積層的輸入并執行卷積操作，其計算公式是：

其中和分別是各i卷積層組的第1個、第2個和第3個卷積層的卷積權值參數，和分別是各i卷積層組的第1個、第2個和第3個卷積層的偏置參數；和分別是各i卷積層組的第1個、第2個和第3個卷積層的輸出結果；

步驟2.3，多尺度卷積特征混合階段：特征混合階段由1次特征堆疊操作、2次激活函數運算和2次卷積運算組成，其計算公式是：

其中，W₄和W₅分別是多尺度卷積特征混合階段的第1個和第2個卷積層的卷積權值參數，b₄和b₅分別是多尺度卷積特征混合階段的第1個和第2個卷積層的偏置參數，F₅(I(x))是卷積神經網絡的輸出；

步驟3，去霧區域計算階段：基于Retinex求解推導去霧計算公式：

其中，ε為調節因子，I(x)為有霧的圖像，D(X)為去霧處理后的圖像；

步驟4，將去霧處理后的圖像與無霧圖像進行比較，計算兩幅圖像之間的歐式距離；

步驟5，基于計算的歐式距離不斷更新并優化獲得最優的卷積權值參數和偏置參數；

將去霧處理后的圖像D(X)與無霧圖像J(x)進行比較時沒有獲得預先設定的去霧效果，則繼續進行反向傳播，利用梯度下降優化算法更新卷積權值參數和偏置參數，再執行步驟2-5；

將去霧處理后的圖像D(X)與無霧圖像J(x)進行比較時已經獲得預先設定的去霧效果時，則停止反向傳播，并最終求得步驟2所獲得的卷積權值參數和偏置參數。

2.根據權利要求1所述的一種基于多尺度稠密連接網絡的圖像去霧方法，其特征在于：步驟2.2中三個卷積層組的卷積核大小分別為3x3、5x5和7x7，即i＝3、5、7。

3.根據權利要求1所述的一種基于多尺度稠密連接網絡的圖像去霧方法，其特征在于：步驟3中調節因子ε取值為ε＝0.0001。