[發明專利]基于殘差學習的單幅圖像去霧方法

有效

• 申請號: 201810361570.1
• 申請日: 2018-04-20
• 公開（公告）號: CN108876728B
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 項欣光;顧昳麗
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱寶慶

本發明提供了一種基于殘差學習的單幅圖像去霧方法，包括以下步驟：步驟1，制作包括有霧圖像和無霧圖像的訓練樣本；步驟2，將訓練樣本輸入待訓練的CGAN網絡進行訓練生成最終的訓練網絡；步驟3，輸入有霧圖像至最終的生成模型中得到清晰的無霧圖像。

技術領域

本發明涉及一種圖像去霧技術，特別是一種基于殘差學習的單幅圖像去霧方法。

背景技術

眾所周知，霧霾天氣已經成為了日常的天氣現象。霧霾的形成是因為空氣中漂浮的小水滴或小顆粒在大氣光的照射下發生散射。這種散射不僅降低了圖像的對比度、飽和度，偏移了圖像的色調，還遮蓋了圖像的細節信息，給計算機視覺研究的發展帶來了不可估量的損失。因此，為計算機視覺研究的重要發展，進行去霧算法的研究是非常必要的。

目前，傳統的去霧算法可以從原理上分為兩類，一類是圖像增強方法，另一類是圖像復原方法。圖像增強方法不依賴物理模型，僅從增強圖像的顏色信息或者其他信息來凸顯圖像的細節信息。這類方法并不遵從物理科學，所以恢復出來的圖像仍然會失去大量的重要細節。圖像復原類方法大多根據大氣物理散射模型來恢復最終的無霧圖像。這種方法有嚴謹的理論做支撐，能達到較為滿意的去霧效果。然而，大多數方法仍然通過恢復大區傳輸率再逆推大氣物理散射模型來達到最終的去霧目的。本發明提出了一種端到端的直接輸出無霧圖像的去霧網絡，無需逆推大氣物理散射模型。

發明內容

本發明的目的在于提供一種基于殘差學習的單幅圖像去霧方法，包括以下步驟：

步驟1，制作包括有霧圖像和無霧圖像的訓練樣本；

步驟2，將訓練樣本輸入待訓練的CGAN網絡進行訓練生成最終的訓練網絡；

步驟3，輸入有霧圖像至最終的生成模型中得到清晰的無霧圖像。

本發明不需要先訓練大氣傳輸率活其他中間信息在用大氣物理散射模型逆推得出結果，而是一個真正的輸入有霧圖像，輸出無霧圖像的端到端去霧算法。

下面結合說明書附圖對本發明作進一步描述。

附圖說明

圖1是本發明的整體流程圖。

圖2是本發明使用的CGAN網絡的生成器結構示意圖。

圖3是本發明使用的CGAN網絡的判別器結構示意圖。

圖4是本發明的去霧效果對比圖；其中左側為有霧圖像，右側為無霧圖像。

具體實施方式

一種基于殘差學習生成無霧圖像的去霧算法，包括訓練樣本制作、優化判別器、優化生成器、生成清晰無霧圖像四個步驟。

訓練樣本制作包括以下步驟：

步驟1，下載Make3D的戶外清晰無霧圖像作為訓練集和測試集中的無霧圖像。

步驟2，在步驟1中得到的無霧圖像的基礎上，根據大氣物理散射模型對其進行加霧，大氣物理散射模型公式為：I(x)＝J(x)t(x)+A(1-t(x))，將大氣光值A設置為常數1。

步驟3，計算大氣傳輸率t(x)，計算公式為：t(x)＝e^-βd(x)，其中β為散射系數并將其設置為常數0.02，d(x)是像素x的深度信息。對圖像集提供的原始深度信息圖使用雙線性插值法，將深度信息圖放大為和圖像一樣的大小，再使用高斯濾波法對深度信息圖進行濾波，使得到的深度信息圖盡可能的貼近自然。

步驟4，根據步驟2、3中得出的A和t(x)，代入大氣物理散射模型中求出有霧圖像I(x)。

優化判別器包括以下步驟：