[发明专利]一种基于深度卷积神经网络的单幅图像去雾方法

说明书

技术领域

本发明属于数字图像处理技术领域，尤其涉及一种基于深度卷积神经网络的单幅图像去雾方法。

背景技术

室外成像系统由于受到空气中的水蒸气和尘埃等的影响，其清晰度大大地降低，图像整体泛白，纹理特征、细节信息丢失。另外，随着工业化的进程加快，大气污染日益严重，雾霾天气频繁出现使得大气能见度急剧减小，伴随着的问题是使得室外成像更加困难，室外获得的图像清晰度远远达不到智能应用系统所需要的要求和人们日常室外拍照所需。降质退化的图像很大程度限制了图像本身的用途，例如图像分割、目标检测以及图像理解和分析等多方面的用途。因此，本发明的研究便是对雾霾天降质图像的复原和细节增强，基于深度卷积神经网络实现对输入图像的尽可能的清晰化处理，以尽可能地增强去雾效果。

目前的图像去雾主要可以分为两大类：基于传统图像增强技术的图像去雾和基于物理模型的去雾。其中基于非物理模型的图像增强方法，依赖于直方图均衡技术突显有雾图像中我们所关注的场景和有用信息。这一类去雾算法的经典方法包括单尺度和多尺度的Retinex和CLAHE等。由于不考虑雾化图像的成因，不考虑图像的纹理特征，图像增强技术去雾后图像通常存在着去雾不彻底、颜色失真、细节信息丢失等问题。基于物理模型的去雾算法是对有雾图像成像进行建模并估算其中的相关参数进而求取清晰无雾的图像。该类方法在去雾上取得了很好地效果，在色彩还原、细节恢复等方面的处理比起基于非物理模型的图像增强方法取得了更好的效果。但是，该类方法也存在着一定的难点，由于物理模型是一个欠定方程，需要从输入图像中估算较为多的参数，参数估计的精确与否对图像去雾的效果有着很大的影响。

发明内容

为了解决现有去雾技术所存在的计算量大、运算效率低、参数估计困难等一系列技术问题，本发明提出一种基于深度卷积神经网络的单幅图像去雾方法，其由深度卷积神经网络经过大量的训练学习而得，去雾更加真实自然；另外，本发明去雾算法主要耗时在深度卷积神经网络模型的训练，实际应用中，仅需要对已训练好的模型进行初始化，其算法处理效率远超过传统图像去雾算法。

本发明采用如下技术方案来实现：一种基于深度卷积神经网络的单幅图像去雾方法，包括如下步骤：

第一步、获得输入图像，并将其经由预先训练好的粗景深图像提取网络处理，得到粗景深图像；

第二步、构建以输入图像以及粗景深图像作为输入的景深图像细化网络；

第三步、将所述的粗景深图像和输入图像作为共同的输入送到景深图像细化网络中，得到精细化的景深图像d(x)；

第四步、对大气散射系数β进行估计，通过下列公式求解出相应的透射率图像t(x)：

t(x)＝e^-βd(x)

第五步、对大气光值A进行估计；

第六步、利用前述步骤所求得的景深图像d(x)、大气散射系数β、透射率图像t(x)以及大气光值A，将其代入下列大气散射模型的数学表达式中，对输入图像进行去雾清晰化处理：

式中I(x)表示有雾图像；J(x)表示无雾图像。

优选地，所述第五步估计大气光值A的步骤具体如下：

1)预设阈值θ，最佳阈值θ通过实验进行预估计；

2)将输入图像中大于阈值的像素点进行屏蔽，得到预处理后的图像；

3)在预处理后的图像中，统计图像中最亮的前1％像素值，并以这些像素点的均值作为大气光值的估计值。

本发明与传统去雾清晰化技术相比，具有以下优点和有益效果：

1、本发明单幅图像去雾方法，所采用的网络模型经过大量的数据训练所得，算法复杂度比较低，运算处理速度极快，能够满足实际应用的实时性要求。

2、本发明使用了深度卷积神经网络，能够较好地反映图像及其对应真实景深的图像之间的关系，并且对估计的大气光值进行了预处理使得其具有很强的适应性能，能在多种场景下实现较好地去雾清晰化，图像视觉还原效果极佳。

附图说明

图1是本发明实施例基于深度卷积神经网络的单幅图像去雾方法的处理流程图；

图2是深度卷积神经网络的结构图；

图3是本发明实施例所获得的降质图像清晰化效果对比图，其中a为输入图像，b为本发明去雾清晰化结果图，c为现有暗通道先验算法的处理结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细的说明，但本发明的实施方式不限于此。

实施例