[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

本發明公開了圖像處理技術領域的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，旨在解決現有技術中圖像增強的去霧方法導致圖像失真、圖像復原的去霧方法對模型參數選取要求過高、基于深度學習的去霧算法容易因大氣光值估計誤差而影響圖像去霧效果的技術問題。所述方法包括如下步驟：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。

技術領域

本發明涉及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，屬于圖像處理技術領域。

背景技術

霧天時，彌漫在空中的霧氣模糊了人們的視線，使得景物的能見度大幅降低，給人們的生產生活帶來嚴重的影響。霧天獲得的圖像受到嚴重退化，不僅模糊不清，對比度降低，而且彩色圖像還會出現嚴重的顏色偏移與失真，比如沙塵暴天氣獲得的圖像往往出現嚴重的泛紅現象。這大大降低了圖像的應用價值，將給戶外圖像采集與處理系統帶來很大的困難，甚至無法正常工作，對生產與生活等各方面造成了極大的影響，例如高速公路圖像監視系統，在惡劣天氣條件下得到的退化圖像會對判斷車輛信息和監控交通情況造成極大的困難。因此，圖像去霧技術的研究具有重要意義。

目前，圖像去霧算法主要可以分為三種類型：第一類是圖像增強的去霧方法。該方法本身沒有考慮霧天圖像降質的物理過程，不能針對圖像退化的具體原因進行有效補償，因此只能在一定程度上改善視覺效果。第二類是圖像復原的去霧方法。該方法是從圖像退化的角度出發進行分析，建立霧天成像的模型，推導出圖像退化的過程，該方法使經過處理后的圖像更加清晰、自然，細節損失較少。然而，去霧的效果與模型參數的選取有關，不精確的參數將直接影響復原后圖像的效果。近年來，隨著深度學習的不斷發展，越來越多的被用于圖像處理領域。因此，基于深度學習的去霧算法可以被認為是第三類去霧算法。現有基于深度學習的圖像去霧算法，大多通過深度學習網絡模型估計有霧圖像的透射率值，單獨估計大氣光值，這種方式往往導致大氣光值的估計出現誤差，影響圖像去霧的效果。逆大氣散射模型公式對大氣散射模型公式進行變形，得到去霧后的圖像和對應的有霧圖像、透射率值、大氣光值的關系式，然后通過深度學習中的卷積神經網絡分別估計逆大氣散射模型公式中的透射率值和大氣光值，最后可得到去霧后的清晰圖像。金字塔池化模型能夠聚合有霧圖像不同區域的上下文信息，從而提高網絡獲取全局信息的能力，已經被廣泛應用于圖像處理研究，其在圖像語義分割領域的應用是當下研究熱點。

發明內容

針對現有技術的不足，本發明的目的在于提供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，以解決現有技術中圖像增強的去霧方法導致圖像失真、圖像復原的去霧方法對模型參數選取要求過高、基于深度學習的去霧算法容易因大氣光值估計誤差而影響圖像去霧效果的技術問題。

為解決上述技術問題，本發明所采用的技術方案是：

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，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。

進一步地，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。