[发明专利]一种基于ResNet神经网络的单幅图像去雾方法

说明书

本发明为基于ResNet神经网络的单幅图像去雾方法，实现了对有雾图像端到端的去雾清晰化处理，其步骤包括：获取同一个场景下的雨雾天气状况下的有雾图像及晴天的清晰图像，组成图像数据集；对图像数据集使用SIFT进行关键点匹配，校正图像的像素偏移；搭建一个基于ResNet的深度神经网络，其输入为单幅有雾的场景图像；使用所搭建的深度神经网络，实现对降质图像进行端到端的去雾清晰化处理。本发明专利使用了ResNet网络，能够较好地提取输入图像的特征，对特定场景下的有雾图像具有很好地去雾清晰化效果，图像视觉还原效果极佳。

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ResNet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的多方面的用途。因此，本发明的研究便是对雾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。

目前的图像去雾技术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的效果，在色彩还原、细节恢复等方面的处理比起基于图像增强的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

为了解决现有图像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问题，本发明提供一种基于ResNet神经网络的单幅图像去雾方法，该方法通过设计一个ResNet深度卷积神经网络实现对有雾图像端到端的去雾清晰化处理，能够较好地提取输入图像的特征，对特定场景下的有雾图像具有很好地去雾清晰化效果，图像视觉还原效果极佳。

本发明采用如下技术方案来实现：一种基于ResNet神经网络的单幅图像去雾方法，包括以下步骤：

步骤一、获取同一个场景下的雨雾天气状况下的有雾图像及晴天的清晰图像，组成图像数据集，作为训练数据集；

步骤二、对步骤一中的图像数据集使用SIFT进行关键点匹配，校正图像的像素偏移；

步骤三、搭建一个基于ResNet的深度神经网络，ResNet神经网络输入为单幅有雾的场景图像；

步骤四、使用所搭建的深度神经网络，实现对降质图像进行端到端的去雾清晰化处理。

优选地，步骤三所搭建的ResNet神经网络包括多个卷积层和多尺度损失函数；多个卷积层包括一个对输入数据进行特征提取的卷积层和多个残差模块，每个残差模块包括2个卷积层。

优选地，所述卷积层有23个，23个卷积层包括一个对输入数据进行特征提取的卷积层和10个残差模块。

优选地，所述多尺度损失函数包括图像的色彩损失函数、图像纹理损失函数和图形细节信息损失函数；多尺度损失函数如下所示：