[發明專利]基于貝葉斯框架下深度卷積神經網絡的圖像去霧方法

在審

• 申請號: 202111190956.9
• 申請日: 2021-10-13
• 公開（公告）號: CN113870145A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 嚴家佳
• 申請（專利權）人: 南京特殊教育師范學院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/62;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 南京知識律師事務所 32207
• 代理人: 陳卓

1.基于貝葉斯框架下深度卷積神經網絡的圖像去霧方法，包括：

步驟S1、獲取合成霧天圖像數據集ITS作為訓練集，對訓練集完成貝葉斯模型建模；

步驟S2、通過有霧圖像y推斷潛在清晰圖像z和包含霧霾信息的參數σ²，即求解概率分布p(z,σ²|y)，構造概率分布q(z,σ²|y)來近似后驗概率分布p(z,σ²|y)，隨后，通過公式變換得到優化網絡參數的函數

步驟S3、將合成霧天圖像數據集輸入到深度卷積神經網絡模型BDCNet中，在訓練的過程中，通過新的損失函數計算損失率，不斷迭代更新網絡參數，得到最優去霧模型，進行圖像去霧操作。

2.如權利要求1所述的基于貝葉斯框架下深度卷積神經網絡的圖像去霧方法，其特征在于：在步驟S1中所述貝葉斯模型建模具體為：假設合成霧天圖像的訓練集為y_j有霧圖像，x_j清晰圖像，自然霧天圖像y_j生成過程如下：

y_i～N(y_i|z_i,σ²),i＝1,2...,d (1-1)

這里z∈R^d是來自有霧圖像y的潛在清晰圖像，N(·|μ,σ²)表示均值為μ和方差為σ²的高斯分布，d是訓練圖像的長寬乘積，表示圖像大小；將霧霾信息建模為等式(1-1)，等式中圖像的像素是非獨立且均勻分布的高斯分布，以期望更好地擬合真實場景中的復雜霧霾信息；

在訓練過程中，合成霧天數據集中的清晰圖像x被用來估計潛在清晰圖像z，假設在z上施加以下共軛高斯先驗：

其中，參數ε₀表示z和x之間的差異，當ε₀無線趨近于0，表示潛在清晰圖像z更接近數據集中真實的清晰圖像x；假設有以下共軛先驗：

這里IG(·|α,β)是反伽瑪分布，其參數為α和β,g(·；p)表示窗口大小為p的高斯濾波器,是y,x∈R^d的矩陣形式，y是有霧圖像，x是清晰圖像；IG分布的模為ξ_i，ξ_i表示p×p窗口的高斯濾波器對方差圖為的濾波輸出。

3.根據權利要求1所述的基于貝葉斯框架下深度卷積神經網絡的圖像去霧方法，其特征在于：在步驟S2中，構造概率分布q(z,σ²|y)來近似后驗概率分布p(z,σ²|y)，假設潛在清晰圖像z和包含霧霾信息的參數σ²之間條件獨立，得到等式(2-1)：

q(z,σ²|y)＝q(z|y)q(σ²|y) (2-1)

對于訓練集中有霧圖像y及其清晰圖像x，可以將其邊際似然分解為如下形式：

logp(y；z,σ²)＝L(z,σ²；y)+D_KL(q(z,σ²|y)||p(z,σ²|y)) (3-1)

其中，

這里E_p(x)[f(x)]表示f(x)對具有概率密度函數p(x)的隨機變量x的期望；D_KL表示變分近似后驗q(z,σ²|y)和具有非負值的真實后驗p(z,σ²|y)的兩個概率分布信息熵的差值，稱為KL散度；由于KL散度具有非負性，公式(3-1)中等號右邊第一項L(z,σ²；y)構成logp(y|z,σ²)的下界，通常稱為證據下界ELBO；因此，有：

logp(y:z,σ²)≥L(z,σ²；y) (3-3)

聯立公式(2-1)和公式(3-2)，下界可以重寫為：

現在，得到優化網絡參數的期望目標函數，如下所示：