[發(fā)明專利]一種基于YUV顏色空間的無人機(jī)圖像去霧方法

在審

• 申請?zhí)枺?/td>: 202110455259.5
• 申請日: 2021-04-26
• 公開（公告）號: CN113191971A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計）人: 陳科羽;嚴(yán)爾梅;楊劉貴;陳鳳翔
• 申請（專利權(quán)）人: 貴州電網(wǎng)有限責(zé)任公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/00;G06T7/90;G06T3/40;G06N3/04;G06N3/08
• 代理公司: 成都玖和知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51238
• 代理人: 胡琳梅

本發(fā)明公開了一種基于YUV顏色空間的無人機(jī)圖像去霧方法，包括如下步驟：步驟S1：收集成對的有霧和無霧的圖像，搭建去霧圖像數(shù)據(jù)集；步驟S2：構(gòu)建出加入了注意力模塊的改進(jìn)U?Net模型的生成對抗網(wǎng)絡(luò)GAN；步驟S3：將訓(xùn)練數(shù)據(jù)集從RGB顏色空間轉(zhuǎn)換為YUV顏色空間，放入生成對抗網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，最終得到訓(xùn)練好的能夠根據(jù)有霧圖像生成無霧圖像的GAN去霧模型。通過重新著色的方法對霧霾圖像進(jìn)行還原，同時加入了注意力模塊用以解決輪廓邊界不清晰的問題，方法簡單且效果優(yōu)于現(xiàn)有技術(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種基于YUV顏色空間的無人機(jī)圖像去霧方法。

背景技術(shù)

在霧天情況下，航拍到的圖像由于受到空氣中漂浮的顆粒物的影響，圖像的質(zhì)量會大大降低。在霧天情況下空氣中存在大量的懸浮顆粒物，這些顆粒物會對光線產(chǎn)生散射，導(dǎo)致物體反射出的光線發(fā)生衰減，同時反射光與觀察者直接接受到的光線發(fā)生混合，造成相機(jī)拍攝到圖像的對比度和清晰度等特征都發(fā)生改變，細(xì)節(jié)信息大量丟失。

經(jīng)過對現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，圖像去霧的的研究大多集中在基于大氣散射模型理論對圖像進(jìn)行修復(fù)。在中國專利“一種基于端到端深度學(xué)習(xí)的圖像去霧方法”(申請?zhí)枺篊N201810897756.9)中，黃紅兵等人提出了一種通過神經(jīng)網(wǎng)絡(luò)進(jìn)行有霧圖像修復(fù)的方法，利用神經(jīng)網(wǎng)絡(luò)預(yù)測出有霧圖像的傳輸圖和大氣光值，進(jìn)而通過大氣散射模型恢復(fù)出無霧圖像。在中國專利“一種基于域自適應(yīng)的圖像去霧方法及系統(tǒng)”(申請?zhí)枺篊N202010367514.6)中，桑農(nóng)等人提出了一種能夠自適應(yīng)圖像去霧的方法，通過圖像轉(zhuǎn)換模塊有效減少合成域和真實域之間的領(lǐng)域偏差，提高圖像去霧模型在真實域的泛化性，進(jìn)而更準(zhǔn)確的預(yù)測出暗通道先驗損失。在已有的相關(guān)專利中，均是通過研究有霧圖像的形成原理，根據(jù)大氣散射模型等相關(guān)理論對圖像進(jìn)行修復(fù)工作。但是由于霧霾對于物體的遮擋，在圖像上直接造成了像素的丟失，現(xiàn)有的基于大氣散射模型的相關(guān)恢復(fù)算法很難將有霧圖像進(jìn)行完整的恢復(fù)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的是提供一種基于YUV顏色空間的無人機(jī)圖像去霧方法。通過重新著色的方法對其進(jìn)行還原，同時加入了注意力模塊用以解決輪廓邊界不清晰的問題。

本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：

一種基于YUV顏色空間的無人機(jī)圖像去霧方法，包括如下步驟：

步驟S1：收集成對的有霧和無霧的圖像，搭建去霧圖像數(shù)據(jù)集；

步驟S2：構(gòu)建出加入了注意力模塊的改進(jìn)U-Net模型的生成對抗網(wǎng)絡(luò)GAN；

步驟S3：將訓(xùn)練數(shù)據(jù)集從RGB顏色空間轉(zhuǎn)換為YUV顏色空間，放入生成對抗網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，最終得到訓(xùn)練好的能夠根據(jù)有霧圖像生成無霧圖像的GAN去霧模型。

進(jìn)一步，所述步驟S2中，生成對抗網(wǎng)絡(luò)GAN是將有霧圖像作為輸入圖像放入生成器中，生成器根據(jù)有霧圖像生成一幅新的圖像，判別器將新生成的圖像和無霧圖像進(jìn)行比對，判斷新生成的圖像與無霧圖像是否一致，生成器根據(jù)判別器的判別結(jié)果通過反向傳播算法對生成器內(nèi)的參數(shù)進(jìn)行優(yōu)化調(diào)整，經(jīng)過多輪訓(xùn)練，得到效果最優(yōu)的生成器。

進(jìn)一步，所述步驟S2中，加入了注意力模塊的改進(jìn)U-Net模型由編碼器和解碼器兩部分組成。

進(jìn)一步，所述編碼器由卷積層、ReLU激活函數(shù)、最大池化層反復(fù)組成，每經(jīng)過一次下采樣，通道數(shù)翻倍；所述解碼器由上采樣層、ReLU激活函數(shù)、以及卷積層和ReLU激活函數(shù)反復(fù)構(gòu)成。

進(jìn)一步，所述編碼器和解碼器的每一層通過跳躍連接層進(jìn)行拼接，以便實現(xiàn)更高層次的特征融合以及多尺度的預(yù)測。