[發明專利]一種基于卷積神經網絡的圖像去霧方法

有效

• 申請號: 201911016783.1
• 申請日: 2019-10-24
• 公開（公告）號: CN110807743B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 左崢嶸;化彥伶;吳雙忱;桑農
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

1.一種基于卷積神經網絡的圖像去霧方法，其特征在于，包括以下步驟：

S1、將待處理的有霧圖輸入到預訓練好的透射率估計模型中，得到透射率圖；

S2、根據所得透射率圖和預設的透射率閾值，得到有霧圖的薄霧區域掩碼圖和濃霧區域掩碼圖；

S3、根據薄霧區域掩碼圖和濃霧區域掩碼圖將待去霧的有霧圖分割為薄霧圖和濃霧圖；

S4、將所得薄霧圖和濃霧圖同時輸入到預訓練好的去霧模型進行去霧，得到無霧圖；

所述去霧模型包含并行的兩個卷積神經網絡，分別記為去薄霧網絡和去濃霧網絡，薄霧圖和濃霧圖同時分別輸入到所述去薄霧網絡和所述去濃霧網絡中，所述去薄霧網絡和所述去濃霧網絡的輸出在所述去霧模型中進行疊加后，得到所述去霧模型的輸出，即無霧圖。

2.根據權利要求1所述的基于卷積神經網絡的圖像去霧方法，其特征在于，所述透射率估計模型的損失函數L_trans為：

其中，T(I)為透射率估計模型函數的輸出，I為有霧圖，t為目標透射率圖，w、h、c分別為有霧圖的長度、寬度、通道數，V(·)為VGG-19網絡中Pool-4層輸出的特征圖，w'、h'、c'分別為特征圖的長度、寬度、通道數，σ為比例系數。

3.根據權利要求1所述的基于卷積神經網絡的圖像去霧方法，其特征在于，將霧圖作為第一訓練集的樣本，霧圖所對應的透射率圖作為第一訓練集樣本標簽，輸入到卷積神經網絡進行訓練，得到預訓練好的透射率估計模型。

4.根據權利要求1所述的基于卷積神經網絡的圖像去霧方法，其特征在于，通過比較透射率圖中的像素值與預設的透射率閾值的大小，來確定薄霧區域掩碼圖ML和濃霧區域掩碼圖MD，表示如下：

其中，ML(x,y)為有霧圖中第x行第y列的像素所對應的薄霧區域掩碼值，MD為濃霧區域掩碼，MD(x,y)為有霧圖中第x行第y列的像素所對應的濃霧區域掩碼值，T(x,y)為透射率圖中第x行第y列的像素值，w為預設的透射率閾值。

5.根據權利要求1所述的基于卷積神經網絡的圖像去霧方法，其特征在于，將有霧圖與薄霧區域掩碼圖的各像素點分別相乘，得到薄霧圖，將有霧圖與濃霧區域掩碼圖的各像素點分別相乘，得到濃霧圖。

6.根據權利要求1-5任意一項所述的基于卷積神經網絡的圖像去霧方法，其特征在于，所述去霧模型的損失函數L_dehaze為：

其中，D_S(I_S)為去霧模型中薄霧網絡的輸出，D_B(I_B))為去霧模型中濃霧網絡的輸出，I_S為薄霧圖，I_B為濃霧圖，C為目標無霧圖，w、h、c分別為薄霧圖和濃霧圖的長度、寬度、通道數，V(·)為VGG-19網絡中Pool-4層的輸出的特征圖，w'、h'、c'分別為特征圖的長度、寬度、通道數，σ為比例系數。

7.根據權利要求1-5任意一項所述的基于卷積神經網絡的圖像去霧方法，其特征在于，對霧圖進行分割得到薄霧圖和濃霧圖，將薄霧圖作為第二訓練集的樣本，霧圖對應的清晰圖像作為第二訓練集樣本標簽，將濃霧圖作為第三訓練集的樣本，霧圖對應的清晰圖像作為第三訓練集樣本標簽，同時分別將第二訓練集和第三訓練集輸入到的去霧模型的去薄霧網絡和去濃霧網絡中進行訓練，得到預訓練好的去霧模型。