[发明专利]一种基于深度神经网络的图像去雾方法

说明书

本发明公开了一种基于深度神经网络的图像去雾方法，包括：选取全球大气光和大气散射系数，利用景深生成有雾图及其透射率图；将无雾图、有雾图和透射率图组成训练集；基于编码器‑解码器架构构建包括估计透射率子网络和去雾子网络的生成器网络；并采用对抗损失函数、透射率L1范数损失函数和去雾图L1范数损失函数的线性组合训练生成器；基于卷积层、sigmoid激活函数以及LeakyReLU函数构建判别器网络；将真实无雾图和经过去雾子网络生成的去雾图分别作为正负样本，以交叉熵作为代价函数训练判别器；采用生成器和判别器交替训练的方式进行对抗训练；训练完成后，将一张待去雾的有雾图输入生成器，经过一次前向传播即得到去雾图。

技术领域

本发明涉及图像处理技术与深度学习技术领域，尤其涉及一种基于深度神经网络的图像去雾方法。

背景技术

在天气质量条件不好的情况下，室外拍摄的图像经常会被空气中悬浮的粒子明显降质，导致图片对比度下降、颜色失真等一系列问题，这是由于在光线传播过程中，光会被空气中的雾、霾和灰尘等所散射，因此最终到达相机的是被散射的光线。雾霾图像通常由直接衰减和散射的大气光组成，直接衰减为相机接收到的物体表面反射衰减后的光照强度，散射的大气光为相机接收到的经过散射作用的大气光。图像去雾算法凭借其广泛的应用价值，逐渐成为军事、航天、交通和监控等方面的研究热点。

早期的图像去雾方法主要分为基于图像对比度增强的去雾方法和基于大气散射模型估算出无雾图像的去雾方法。基于图像对比度增强方法旨在改善图像的对比度，而没有考虑图像衰减的机制和大气散射模型；基于大气散射模型的图像去雾方法，主要采用一些人工设计的特征去估算和细化图像透射率，再根据模型计算出清晰的无雾图像。例如，He^[1]等人提出暗通道，并由此估计透射率，采用软抠图或引导滤波去细化透射率，根据大气散射模型反解出无雾图；Zhu^[2]等人建立线性模型描述图像景深与像素亮度、饱和度的关系，估算出图像深度，选取大气光和大气散射系数，利用大气散射模型生成去雾图。

最近，一些科研人员采用深度学习的方法进行图像去雾，并取得了不错的效果。例如，Cai^[3]等人提出了DehazeNet，利用卷积神经网络学习图像与透射率的关系，由单张图生成透射率，基于大气散射模型恢复无雾图。Li^[4]等人推导出系数K来代替大气散射模型中的大气光和透射率并重新定义大气散射模型，通过卷积神经网络学习估算出系数K，根据重新定义的模型恢复无雾图。

传统的图像去雾方法依靠其人工特征来计算深度或透射率，然而这些人工特征存在其自身的局限性，对某些场景的图片无法达到令人满意的去雾效果。基于深度学习的图像去雾方法可以改善场景局限性，具有更强的场景适应性，并且能取得良好的去雾效果。

发明内容

本发明提供了一种基于深度神经网络的图像去雾方法，本发明采用生成式对抗网络进行图像去雾，生成器通过深度神经网络学习从有雾图到无雾图间的转换，采用判别器来提高生成器去雾性能，该方法不需要先验信息，与传统的图像去雾方法相比，更加简便易行，训练完成后，将一张待去雾的有雾图输入生成器，经过一次前向传播即得到去雾图，详见下文描述：

一种基于深度神经网络的图像去雾方法，所述方法包括：

选取全球大气光和大气散射系数，利用景深生成有雾图及其透射率图；将无雾图、有雾图和透射率图组成训练集；

基于编码器-解码器架构构建包括估计透射率子网络和去雾子网络的生成器网络；并采用对抗损失函数、透射率L1范数损失函数和去雾图L1范数损失函数的线性组合训练生成器；

基于卷积层、sigmoid激活函数以及LeakyReLU函数构建判别器网络；将真实无雾图和经过去雾子网络生成的去雾图分别作为正负样本，以交叉熵作为代价函数训练判别器；

采用生成器和判别器交替训练的方式进行对抗训练；