[发明专利]基于BP神经网络的单一图像去雾方法及装置

说明书

技术领域

本发明涉及计算机视觉领域，特别是涉及一种基于BP神经网络的单一图像去雾方法及装置。

背景技术

在雾、霾等恶劣的天气条件下，大气中存在着较多的水滴或尘粒，致使光在大气中传播的过程当中被吸收或发生散射，因此照射在物体表面的光线反射后，其能量不断衰减。此外，环境光在粒子散射的作用下将会形成空气光。在这种情况下，成像设备在吸收衰减后的反射光的同时，也吸收了大量的空气光。在衰减和大气光的共同作用下，户外拍摄所得的图像往往模糊不清，对比度较低，且图像的观赏性丧失。遥感分析、航空摄影、视频监控等多个领域依赖于户外图像的视觉系统性能急剧下降，甚至无法正常运作。因此，对雾天降质图像进行清晰化处理具有极其重要的意义。

目前，基于大气物理模型的去雾方法是单一有雾图像去雾处理的主流方法，根据大气散射模型以及特定的先验信息，对有雾图像中的景物进行复原，其中暗原色先验去雾方法是最为流形的方法。

虽然这种方法在大多数情况下能够取得较为理想的去雾效果，但是由于图像中的天空区域和白色物体区域不存在暗原色先验，实际上对于图像中的大片天空区域，以及比窗口尺寸更大的大块白色区域，复原后的图像像素值明显偏低，严重降低了去雾效果，因此不适用于存在大块天空区域或大块白色区域的户外有雾图像。

BP神经网络(Back Propagation Neural Network)是指基于误差反向传播方法的多层前向神经网络，BP神经网络具有良好的非线性函数逼近能力，能够提高计算精度。BP神经网络的误差反向传播方法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变换能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望不符时，进入误差的反向传播过程，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

BP神经网络具有以下优点：能够以任意精度逼近任何非线性映射，实现对复杂系统建模；可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的联结值而改变预测效果；分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性；多输入多输出的模型结构，适合处理复杂问题。如果能够将BP神经网络应用在有雾图像处理领域，必将能够提高对有雾图像的去雾效果。

发明内容

本发明的目的是提供一种基于BP神经网络的单一图像去雾方法，用以提高对有雾图像的去雾效果。

本发明的技术方案是提供一种基于BP神经网络的单一图像去雾方法，具体包括以下步骤：

获取多个无雾图像信息并计算得到对应的有雾图像；

结合这些有雾图像的RGB值作为输入以及这些有雾图像的场景深度作为输出，构造BP神经网络模型并在训练后的BP神经网络模型中建立有雾图像及其场景深度之间的映射关系；

根据这个映射关系，利用这个训练后的BP神经网络模型将一待去雾的有雾图像作为输入，计算得到待去雾的有雾图像的场景深度；

根据待去雾的有雾图像的场景深度计算得到去雾后的无雾图像。

本发明还提供一种基于BP神经网络的单一图像去雾装置，包括：

图像采集模块，用于获取多个无雾图像信息并计算得到对应的有雾图像；

神经网络计算模块，与所述图像采集模块连接，用于结合所述有雾图像的RGB值作为输入以及所述有雾图像的场景深度作为输出，构造BP神经网络模型并在训练后的BP神经网络模型中建立有雾图像及其场景深度之间的映射关系；

图像计算模块，与所述神经网络计算模块连接；根据所述映射关系，利用所述训练后的BP神经网络模型将一待去雾的有雾图像作为输入，计算得到所述待去雾的有雾图像的场景深度；

图像输出模块，与所述图像计算模块连接，用于根据所述待去雾的有雾图像的所述场景深度计算得到去雾后的无雾图像。

通过本发明能够有效对雾天降质图像进行清晰化处理提供啊图像的质量，增加了图像的观赏性，同时有利于诸如图像识别、自动标注等高层次的图像处理。因此，对雾天图像清晰化方法的研究具有重大的现实意义。

附图说明