[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

本發明涉及一種基于貝葉斯框架下深度卷積神經網絡的圖像去霧方法，屬于圖像處理技術領域。所述方法包括：首先，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；其次通過公式變換得到優化網絡參數的函數；最后，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。本發明提出的模型不再依賴大氣散射模型，可以直接通過模型學習圖像特征，并結合先驗知識更好的恢復圖像細節。本發明提出模型的去霧結果在視覺上效果較佳，適用的場景范圍更廣。

技術領域

本發明涉及圖像處理領域，特別涉及基于貝葉斯框架下深度卷積神經網絡的圖像去霧方法。

背景技術

霧霾天氣下，大氣中漂浮著的細小灰塵和水汽不僅會危害人體健康，霧霾天氣下道路能見度降低，機器拍攝的圖像也產生對比度下降，細節不清，色彩昏暗等問題。這些低質量的圖片、視頻對高級機器視覺系統產生了惡劣影響，如交通監控系統、無人駕駛系統、目標檢測系統、搖桿系統等等。因此，圖像去霧在提升后續高級視覺系統的識別能力起著至關重要的作用。

目前，國內外已有不少對圖像去霧算法的研究，圖像去霧算法可以分為兩大類：第一類，基于先驗知識的圖像去霧方法；第二類，基于深度學習的圖像去霧方法。

基于先驗知識的圖像去霧方法，需要研究人員需要找到有霧圖像和清晰圖像之間的共同特征，即先驗知識。研究人員通過將先驗知識和霧霾形成的物理機制結合，從而對圖像進行去霧處理。He等人[1]假設清晰圖像通常在至少一個通道中具有低強度值，提出了暗通道先驗去霧算法(DCP)。DCP算法結合大氣散射模型，是基于先驗知識的圖像去霧方法中最為經典的方法之一。然而，DCP模型無法滿足所有有霧圖像去霧，在天空區域和其他不滿足暗通道先驗的區域，會發生顏色失真，過度曝光等問題。Berman等人[2]發現在RGB空間中清晰圖像的顏色形成緊密的集群，想到清晰圖像的某一顏色或許可以通過其他百種顏色近似。在此先驗知識的基礎上使用了非局部先驗(NLD)的方法進行去霧處理。顯然，NLD模型更加容易產生顏色失真情況。Kratz和Nishino等人[3]使用階乘MRF模型估計反照率和深度，交替最小化的規范期望以分解單個有霧圖像，但是，使用該方法受限于計算機的計算性能，并且擁有較高的時間復雜度。盡管基于先驗知識的圖像去霧方法在許多場景下簡單有效，但是真實的自然場景復雜多變并不是所有的先驗知識都對其有效，對于特定場景下基于先驗知識的圖像去霧方法仍然存在局限性。此外，人工提取圖像特征和先驗知識需要進行深入研究，存在相當的困難性。

基于深度學習的圖像去霧方法不再依賴于手工提取圖像特征，而是通過模型訓練過程中，學習并獲取圖像特征。近年來，許多研究人員嘗試將深度學習的方法引入圖像去霧領域以解決傳統方法存在的不足。Cai等人[4]提出了一種具有新的BReLU激活函數的圖像去霧模型(DehazeNet)，該模型通過卷積神經網絡直接預測有霧圖像的透射率圖，再輸入到大氣散射模型中計算輸出清晰圖像。Li等人[5]提出了深度一體化模型(AOD-Net)，將透射率圖和大氣光值用同一個變量代替，即將大氣散射模型公式變形。隨后，通過卷積神經網絡對新變量進行了再次估計，形成無霧圖像。AOD-Net模型輕便快速，卻只能去除薄霧圖像的霧霾，在濃霧圖像上效果欠佳。Mei等人[6]提出了一種漸進特征融合網絡(PFFNet)，學習輸入輸出圖像的非線性函數。該模型對高分辨率圖像效果顯著，但是，模型使用了反卷積方法，去霧圖像會出現網格形狀的噪聲。基于深度學習的圖像去霧方法研究最為廣泛，但其除霧性能仍然受到透射圖和大氣光的估計以及深度神經網絡結構的影響。因此，基于深度學習的去霧方法存在一定的局限性，需要進一步改進和提高。

可參考文獻包括：

[1]He K,Sun J,Tang X.Single image haze removal using dark channelprior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.