[發(fā)明專利]一種基于衍生圖融合策略的圖像去霧方法

有效

• 申請?zhí)枺?/td>: 201910609244.2
• 申請日: 2019-07-08
• 公開（公告）號: CN110378848B
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計）人: 郭璠;趙鑫;唐琎;吳志虎;肖曉明;高琰;鄒北驥
• 申請（專利權(quán)）人: 中南大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 長沙市融智專利事務(wù)所(普通合伙) 43114
• 代理人: 楊萍

本發(fā)明公開了一種基于衍生圖融合策略的圖像去霧方法，包括以下幾個步驟：步驟A：基于大量原始有霧圖像及其對應(yīng)的無霧圖像，構(gòu)建樣本集；步驟B：分別從五個角度提取原始有霧圖像的衍生圖以增強去霧方法對圖像遠景和近景的細節(jié)恢復(fù)，消除色偏與增強對比度；步驟C：搭建U型卷積神經(jīng)網(wǎng)絡(luò)；步驟D：級聯(lián)步驟A獲取的衍生圖和原始有霧圖像作為輸入，無霧圖像作為輸出訓練由步驟C搭建的網(wǎng)絡(luò)；步驟E：使用步驟D訓練得到的網(wǎng)絡(luò)，級聯(lián)原始有霧圖像和霧圖對應(yīng)的衍生圖作為輸入預(yù)測去霧后的無霧圖像。本發(fā)明去霧效果好。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像信息處理領(lǐng)域，具體涉及一種基于衍生圖融合策略的圖像去霧方法。

背景技術(shù)

圖像去霧旨在恢復(fù)場景的細節(jié)并從給定的模糊圖像估計未知的無霧圖像。在許多情況下需要使用去霧算法，例如日常攝影，自動監(jiān)測系統(tǒng)，衛(wèi)星遙感，室外物體識別和低能見度環(huán)境中的視覺導(dǎo)航等。但是，在霧霾等惡劣天氣條件下拍攝的圖像質(zhì)量易受到霧氣的干擾，使得所拍圖像對比度降低并且顏色衰退嚴重。這種霧天圖像通常缺乏視覺生動性與清晰度。因此，不僅在日常攝影中而且在許多計算機視覺應(yīng)用中都迫切需要圖像去霧技術(shù)。

目前已有的去霧工作主要集中于利用霧氣相關(guān)先驗知識或者假設(shè)預(yù)測原始有霧圖像的透射圖和大氣光值然后采用大氣散射模型計算出去霧后的圖像。例如，He[載于IEEEtransactions on pattern analysis and machine intelligence，2001年]提出一種暗通道的先驗假設(shè)，該假設(shè)來自于一項觀察：在大多數(shù)無霧的圖像中至少有一個通道的像素值是非常低的。依據(jù)這一假設(shè)可以方便的計算出透射圖，進而依據(jù)大氣散射模型計算出去霧后的結(jié)果。盡管He方法能夠在大多數(shù)情況下取得較好的去霧效果，但是該方法對于天空區(qū)域處理的不是很好，且該方法容易引起對比度過增強的效果。近些年，也有學者[載于IEEETransactions on Image Processing， 2016年]提出采用深度學習方法去預(yù)測透射圖，然后通過大氣散射模型計算去霧后的圖像，但是采用深度學習預(yù)測透射圖的方法也會造成透射圖預(yù)測不準確的問題。

在專利方面，陳玉明等人專利公開號為CN108921805A的專利申請?zhí)岢隽艘环N圖像及視頻去霧的方法。該方法對原始有霧圖像劃分若干大小相等的矩形子塊，引入自適應(yīng)度因子和鄰域暗通道池化操作以計算出透射圖，進而根據(jù)大氣散射模型計算出無霧圖像。黃紅兵等人專利公開號為CN109146810A的專利申請?zhí)岢隽艘环N基于端到端深度學習的圖像去霧方法。該方法采用深度去霧網(wǎng)絡(luò)，直接根據(jù)霧圖，預(yù)測出透射圖和大氣值，再根據(jù)大氣散射模型計算無霧圖像。

上述方法都依賴于對透射圖和大氣光值的預(yù)測，因此透射圖或大氣值預(yù)測的不準確都將導(dǎo)致去霧不徹底或者局部色偏的問題。

在此背景下，研究一種魯棒性強，能有效去除各種場景各種霧氣濃度的圖像去霧方法顯得尤為重要。

發(fā)明內(nèi)容

本發(fā)明所要解決的問題是，針對已有去霧方法依賴透射圖和大氣值預(yù)測的機制，存在去霧不徹底，局部色偏等問題，提供一種基于衍生圖融合策略的圖像去霧方法，能夠有效通過去霧網(wǎng)絡(luò)融合多角度提取有霧圖像的衍生圖，從而實現(xiàn)圖像去霧，對各種場景各種霧氣濃度的圖像均有很好的去霧效果。

本發(fā)明所采用的技術(shù)方案如下：

一種基于衍生圖融合策略的圖像去霧方法，包括以下步驟：

步驟A：以大量原始有霧圖像及其對應(yīng)的無霧圖像構(gòu)建樣本集；

步驟B：分別從多個角度提取原始有霧圖像的衍生圖，以增強去霧方法對圖像遠景和近景的細節(jié)恢復(fù)，消除色偏與增強對比度；

步驟C：搭建基于卷積神經(jīng)網(wǎng)絡(luò)的去霧網(wǎng)絡(luò)；

步驟D：對每組樣本，以其步驟B獲取的所有衍生圖和原始有霧圖像的級聯(lián)結(jié)果作為輸入，以其無霧圖像作為輸出，訓練由步驟C搭建的去霧網(wǎng)絡(luò)；