[發明專利]基于貝葉斯卷積神經網絡的圖像去霧方法及存儲介質

有效

• 申請號: 202011614558.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112634171B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 嚴家佳;李朝鋒
• 申請（專利權）人: 上海海事大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 徐雯瓊;張妍

本發明公開了一種基于貝葉斯卷積神經網絡的圖像去霧方法及存儲介質，所述方法包括：獲取RESIDE數據集，采用所述RESIDE數據集中的ITS數據集作為訓練集，SOTS數據集作為測試集。將所述訓練集輸入至貝葉斯卷積神經網絡內，對所述貝葉斯卷積神經網絡進行訓練得到最優模型。將所述測試集輸入至所述最優模型，采用所述最優模型對所述測試集進行端對端的去霧處理，并輸出去霧圖像。本發明能夠有效地規避過擬合問題，增強去霧模型的魯棒性。

技術領域

本發明涉及圖像處理領域，特別涉及一種基于貝葉斯卷積神經網絡的圖像去霧方法及存儲介質。

背景技術

霧霾常見于城市，是一種災害性自然天氣現象，霧霾的形成主要是空氣中懸浮的大量微粒和氣象條件共同作用的結果。霧霾的產生導致捕獲的室外圖像不清晰對比度差，圖像質量的下降讓人類很難識別圖像的內容，同時也對許多攝影領域和計算機視覺任務造成了影響，如視頻監控、目標識別、圖像分類、目標跟蹤等。因此，如何改善低質量圖像，減小霧霾導致的不利影響就顯得尤為重要。

目前，圖像去霧的主流方法分為兩種。一種是基于先驗知識的去霧方法，該方法具體的是一種局部對比度最大化的算法，能夠實現提高圖像的視覺效果達到去霧的目的，但易出現顏色失真的缺陷。經過觀察，發現在晴朗的室外圖像中，除了天空區域，其他像素點都會有一個顏色通道具有很低的值，由此提出一種暗通道先驗去霧算法，但在天空區域和其他不滿足暗通道先驗的區域出現顏色失真現象。另一種是基于深度學習的去霧方法，具體的是一個新的網絡結構DehazeNet(含有可解釋卷積核的多尺度卷積神經網絡)，采用卷積神經網絡基于網絡(CNN)的深層架構，并通過新型的BReLU激活函數進行歸一化傳輸，根據霧天圖像的訓練預測出透射率。

近年來，各種圖像去霧的方法層出不窮，基于深度學習的圖像去霧方法最為流行。深度學習模型的不用人為定義特征的提取方法，網絡本身可以學到如何提取所需特征，比傳統的圖像處理方法在去霧效果上具有更高的恢復準確度和普適度。但是，一方面深度學習模型設計愈加復雜，數據量也存在不足的情況，這些都易導致過擬合問題的產生。另一方面，現有的卷積神經網絡去霧方法都是采用具體的數值作為權重，從概率論的角度來說，使用點估計作為權重是不合理的。

發明內容

本發明的目的是提供一種基于貝葉斯卷積神經網絡的圖像去霧方法及存儲介質以規避過擬合問題。

為了實現以上目的，本發明通過以下技術方案實現：

一種基于貝葉斯卷積神經網絡的圖像去霧方法，包括：

步驟S1、獲取RESIDE數據集，采用所述RESIDE數據集中的ITS數據集作為訓練集，SOTS數據集作為測試集。

步驟S2、將所述訓練集輸入至貝葉斯卷積神經網絡內，對所述貝葉斯卷積神經網絡進行訓練得到最優模型。

步驟S3、將所述測試集輸入至所述最優模型，采用所述最優模型對所述測試集進行端對端的去霧處理，并輸出去霧圖像。

優選地，所述ITS數據集為室內霧霾圖像數據集，包含n張清晰圖像和10*n張霧霾圖像；所述SOTS數據集包括室內霧霾圖像數據集和室外霧霾圖像數據集，所述室內霧霾圖像數據集包含m張清晰圖像和10*m張霧霾圖像；所述室外霧霾圖像數據集包含m₁張清晰圖像和與之對應的m₁張霧霾圖像。

優選地，所述貝葉斯卷積神經網絡包括3個編碼層、18個殘差塊和3個解碼層；每一所述編碼層和每一所述解碼層結構相同，每一所述編碼層包含一層卷積和一層激活函數層，每一所述殘差塊包含兩層卷積和一個激活函數層，其中所述激活函數層中激活函數采用PReLU。

優選地，所述步驟S2包括：對所述貝葉斯卷積神經網絡建模：假設所述貝葉斯卷積神經網絡的網絡參數為W，p(W)是參數的先驗分布，給定數據集D＝{(X,Y)}，這里X是輸入數據，Y是標簽數據；所述貝葉斯卷積神經網絡給出以下分布：