[发明专利]一种基于深度学习的图像去雾方法

说明书

雾或霾天气下图像质量严重退化，对比度低，清晰度差。利用传统方法去雾经常会产生色偏和失真，这里提出一种新的图像去雾方法：首先利用本文设计的深度卷积神经网络提取图像的颜色，纹理，结构等特征并进行映射，得到各像素点场景深度，再将深度值代入大气散射模型，推算得到无雾图像。这种方法充分利用了卷积神经网络强大的特征提取和学习能力，改进了传统去雾方法存在的纹理细节丢失，颜色失真等问题。

技术领域

本发明属于计算机图像处理领域，具体涉及到一种用于图像去雾的方法。

背景技术

在雾或霾天气下图像质量严重退化，对比度低，清晰度差，影响了计算机图像处理中特征的提取分析以及目标的检测，而图像去雾可以提升场景可见度，修正颜色偏移，因此图像的去雾处理具有广泛的需求。

传统的图像去雾方法主要分为两类：图像增强法和图像复原法。图像增强法是对质量降低的图像做增强处理，提升图像的对比度和色彩饱和度，如Retinex算法，伽马校正，直方图均衡等。这类方法的优点是操作简单，速度快，突出显示图像中有用的信息，但是这种方法没有对有雾图像的形成原因进行补偿，对图像中细节的处理并不理想，使得图像中的有用信息部分损失。图像复原法基于大气散射物理模型，通过对有雾图像降质原因的分析，并有效利用先验知识，来恢复原始图像。

由于图像复原法更具有针对性，可以取得更理想的去雾效果，因此成为图像去雾领域的研究热点。Tan提出基于清晰图像比有雾图像对比度高的统计规律，采用对比度区域最大法进行去雾，这种方法增强了图像对比度，但由于没有从成像机理的角度恢复颜色和边缘等信息，导致复原后的图像颜色过于饱和，并且景深不连续处会有严重的Halo效应；Fattal假设场景目标辐射与介质传输具有局部区域统计不相关性，再通过独立成分分析法估计出场景辐射率，进而得到无雾图像，去雾效果较好，但对于灰度图像和浓雾天气并不适用；He提出基于暗通道先验法则的去雾方法，该方法通过大量户外无雾图像获取先验知识，但是也具有一定的局限性，对雪地，天空等偏白的场景效果不理想。

深度学习的兴起为图像去雾提供了新方法。目前的相关研究包括利用三种颜色通道特征进行去雾，以及利用稀疏自动编码机和人工提取多种特征，送入多层神经网络训练进行去雾等。相比于传统去雾方法，深度学习方法可以充分利用到图像的各种特征，包括颜色，纹理，结构等，具有广阔的研究前景。

发明内容

基于对上述去雾方法的分析，本发明基于深度学习思想，提出一种将卷积神经网络和大气散射模型相结合的新的去雾方法。总体思路是利用一个训练好的深度卷积神经网络直接进行颜色，纹理，结构等各种图像特征的提取，端到端输出，得到各像素点场景深度，再将场景深度代入大气散射模型，推算得到无雾图像。

基于深度学习景深测量的图像去雾方法具体实现如下：

(一)设计用于图像景深测量的的深度卷积神经网络，由5个卷积层和1个全连接层组成。其中第一个卷积层的卷积核大小为11×11，第二个卷积层的卷积核大小为5×5，后面三层的卷积核大小均为3×3，前两层同时伴有池化操作，最大池化尺寸均为2×2。

(二)将有雾图像输入深度卷积神经网络中，首先采用不同尺度的卷积核进行特征提取，使提取到的特征具有旋转，平移不变性。卷积公式为：

其中：x_i为输入特征图，y_j为输出特征图，w_ij为卷积层中连接x_i和y_j的权值，*表示二维离散卷积运算，b_j为偏置参量，可通过训练得到。

(三)将卷积阶段检测到的特征输入非线性单元，进行非线性变换，这里采用不饱和非线性函数ReLU，公式如下：

R＝max(0，y)

梯度公式如下：