[發明專利]一種基于卷積神經網絡的圖像去霧方法

在審

• 申請號: 201811560434.1
• 申請日: 2018-12-20
• 公開（公告）號: CN109903232A
• 公開（公告）日: 2019-06-18
• 發明（設計）人: 桑慶兵;雎青青;殷瑩;李朝鋒;吳小俊
• 申請（專利權）人: 江南大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 無錫盛陽專利商標事務所(普通合伙) 32227
• 代理人: 顧吉云

1.一種基于卷積神經網絡的圖像去霧方法，其具體包括以下步驟：

S1，原始無霧圖像的獲取；

S2，有霧圖像的獲取；

S3，建立網絡模型，對所述有霧圖像進行處理，得到最終去霧圖像；

其特征在于，在S1中，所述原始無霧圖像從現有的數據集中選取，選取N幅所述原始無霧圖像作為整體訓練樣本；

在S2中，將S1中所述原始無霧圖像人工合成有霧圖像，具體為依次采用藍色通道加霧算法、大氣散射模型對所述原始無霧圖像進行處理，得到所述有霧圖像；

在S3中，所述網絡模型為卷積神經網絡模型，搭建所述卷積神經網絡模型，采用所述卷積神經網絡模型對所述有霧圖像進行處理，具體的網絡模型建立方法包括以下步驟：

S31，選取用于搭建所述卷積神經網絡模型的網絡訓練樣本，所述網絡訓練樣本包括M幅無霧圖像和M幅有霧圖像；

S32，對所述網絡訓練樣本進行裁剪；

S33，將裁剪后的所述網絡訓練樣本中的有霧圖像作為輸入值，所述無霧圖像作為對應的輸出標簽，訓練所述卷積神經網絡模型。

2.根據權利要求1所述的一種基于卷積神經網絡的圖像去霧方法，其特征在于，其還包括步驟S4，設置所述卷積神經網絡模型的學習率和動量參數，使用開源框架訓練所述卷積神經網絡。

3.根據權利要求2所述的一種基于卷積神經網絡的圖像去霧方法，其特征在于，所述開源框架為Tensorflow，使用所述Tensorflow訓練所述卷積神經網絡，直至損失函數降低到設定值，所述Tensorflow的模型訓練結束。

4.根據權利要求1所述的一種基于卷積神經網絡的圖像去霧方法，其特征在于，在S1中，所述現有的數據集為BSD500數據集和NYU數據集。

5.根據權利要求4所述的一種基于卷積神經網絡的圖像去霧方法，其特征在于，在S2中，人工合成有霧圖像的具體步驟包括：

S21，對所述原始無霧圖像進行歸一化處理，得到所述原始無霧圖像的藍色通道圖像B（X）；

S22，采用引導濾波法去掉所述藍色通道圖像集B（X）中的細節，得到細化的藍色通道圖像B1（X）；

S23，使用藍色通道加霧算法對所述細化的藍色通道圖像B1（X）進行處理，得到所述原始無霧圖像的深度圖，所述藍色通道加霧算法為所述細化的藍色通道圖像B1（X）與所述深度圖之間的對數關系，計算公式表示為：

d（x）=-log（1-B1（x）），

其中，d（x）表示原始無霧圖像的深度圖，B1（x）表示細化的藍色通道圖像集；

S24，采用所述大氣散射模型對所述深度圖進行處理，得到所述有霧圖像，所述大氣散射模型的計算公式表示為

t（x）=e^-βd（x） ，

I（x）=J（x）*t（x）+A*（1-t（x）），

其中，J（x）為無霧圖像，t（x）表示傳播圖，A代表全局大氣光系數，為常量值， I（x）表示經大氣散射模型算法得到的有霧圖像，β為常量值。

6.根據權利要求5所述的一種基于卷積神經網絡的圖像去霧方法，其特征在于，在S31中，所述網絡訓練樣本的選取方法為：從S1中的N幅所述原始無霧圖像集中選取M幅原始無霧圖像，從經S2人工合成處理得出的所述有霧圖像中選取M幅有霧圖像，M幅所述原始無霧圖像與M幅所述有霧圖像組成有霧/無霧圖像對，將所述有霧/無霧圖像對作為所述卷積神經網絡模型的訓練樣本，將剩余的所述有霧圖像作為測試樣本，測試樣本的數量為C=N-M。