[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

一種基于卷積神經網絡的圖像去霧方法，其可提高有霧圖像的清晰度，避免圖像失真，可簡化圖像的處理步驟，提高圖像處理的整體效率，具體包括以下步驟：S1原始無霧圖像的獲取，原始無霧圖像從現有的數據集中選取，選取N幅原始無霧圖像作為整體訓練樣本，S2有霧圖像的獲取，將S1中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、大氣散射模型對原始無霧圖像進行處理，得到有霧圖像，S3建立卷積神經網絡模型，對有霧圖像進行處理，得到最終去霧圖像，搭建卷積神經網絡模型，采用卷積神經網絡模型對有霧圖像進行處理。

技術領域

本發明涉及圖像處理技術領域，具體為一種基于卷積神經網絡的圖像去霧方法。

背景技術

在視頻監控、目標識別以及場景勘測等領域，常使用圖像采集設備采集視頻圖像，以便于獲得更多的目標信息，但是在霧天條件下，大氣中存在著一些渾濁的介質，使得圖像采集設備接收到的光發生了變化，導致采集到的圖像清晰度下降、對比度降低，嚴重影響了目標信息的準確獲取。因此，對有霧圖像進行清晰化處理對人們的生產生活有著重大的現實意義。目前，對有霧圖像的處理方法主要基于圖像增強和圖像復原兩種方法，但是前者由于沒有完全考慮到圖像退化的主要原因，容易對部分圖像信息造成一定程度的失真，存在去霧過度的情況；而后者主要是研究霧天圖像的退化機制，建立普適的退化模型，從而得到去霧后的圖像，但是該方法得到的去霧圖像仍然存在圖像不清晰、失真度高的缺陷，需對去霧圖像再次進行后續處理才能得到較清晰、低失真度的去霧圖像，圖像處理步驟繁瑣，大大降低了圖像處理的整體效率。

發明內容

針對現有技術中存在的基于圖像增強的圖像處理方法易導致部分圖像信息失真，現有的圖像復原的方法得到的去霧圖像需再經過后續圖像處理才能得到較清晰、低失真度的去霧圖像，圖像處理步驟繁瑣，圖像處理的整體效率低的問題，本發明提供了一種基于卷積神經網絡的圖像去霧方法，其可提高有霧圖像的清晰度，避免圖像失真，可簡化圖像的處理步驟，提高圖像處理的整體效率。

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??；

S2，有霧圖像的獲??；

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，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，所述卷積神經網絡模型的網絡總體為編碼、解碼過程。

其進一步特征在于，

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；

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；

在S1中，所述現有的數據集為BSD500數據集和NYU數據集；

在S2中，人工合成有霧圖像的具體步驟包括：