[發明專利]一種基于改進的逆大氣散射模型卷積網絡的圖像去霧方法

有效

• 申請號: 202010000331.0
• 申請日: 2020-01-02
• 公開（公告）號: CN111192219B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 張登銀;錢雯;曹雪杰;董江偉;周詩琪;張津萍;溫家欣
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/90;G06N3/04
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 馬進

1.一種基于改進的逆大氣散射模型卷積網絡的圖像去霧方法，其特征是，包括如下步驟：

將有霧圖像輸入預先訓練好的卷積神經網絡，獲取無霧圖像；

所述卷積神經網絡包括彼此串聯的顏色特征提取卷積網絡和深度去霧卷積網絡，顏色特征提取卷積網絡的輸出端與深度去霧卷積網絡的輸入端連接；

所述深度去霧卷積網絡包括彼此并聯的透射率值估計模塊和光強歸一化值估計模塊，所述透射率值估計模塊和光強歸一化值估計模塊的輸出端共同連接有Eltwise層，所述Eltwise層順序連接有金字塔池化層、卷積層13、激勵層13；所述透射率值估計模塊包括三個彼此并聯的卷積層，所述卷積層的輸出端對應連接有激勵層，所述激勵層的輸出端共同連接有全連接層2，所述全連接層2的輸出端與Eltwise層的輸入端連接；

所述金字塔池化層包括順序連接的多種金字塔尺度特征融合模塊、上采樣層、全連接層3，所述多種金字塔尺度特征融合模塊包括不少于兩個不同尺寸且彼此并聯的池化層，所述池化層順序連接有卷積層和激勵層，所述激勵層的輸出端與上采樣層的輸入端連接。

2.根據權利要求1所述的基于改進的逆大氣散射模型卷積網絡的圖像去霧方法，其特征是，所述顏色特征提取卷積網絡包括順序連接的RGB三通道特征提取模塊、全連接層1、卷積層4、激勵層4，所述RGB三通道特征提取模塊包括彼此并聯的R通道、G通道、B通道，所述R通道、G通道、B通道中的任一通道包括順序連接的卷積層和激勵層，所述激勵層的輸出端與全連接層1的輸入端連接。

3.根據權利要求1所述的基于改進的逆大氣散射模型卷積網絡的圖像去霧方法，其特征是，所述卷積神經網絡的訓練方法，包括：

獲取無霧圖像；

基于所述無霧圖像獲取有霧圖像；

基于所述無霧圖像和有霧圖像構建訓練樣本；

以預構建的損失函數最小為目標，利用訓練樣本對卷積神經網絡進行訓練。

4.根據權利要求3所述的基于改進的逆大氣散射模型卷積網絡的圖像去霧方法，其特征是，所述有霧圖像的獲取方法，包括：在所述無霧圖像上添加柏林噪聲，獲取有霧圖像。

5.根據權利要求3所述的基于改進的逆大氣散射模型卷積網絡的圖像去霧方法，其特征是，所述損失函數，其計算公式如下：

式中，L為損失函數，n為訓練樣本個數，J_i為訓練樣本i去霧后的圖像，為訓練樣本i的實際無霧圖像，λ為衰減參數，W_ji為訓練樣本i的權值系數矩陣。