[发明专利]一种边界约束的卷积神经网络单幅图像去雾方法

权利要求书

1.一种边界约束的卷积神经网络单幅图像去雾方法，其特征在于包括以下步骤：

步骤S1：输入有雾图像，送入卷积神经网络模型中训练出介质传输透射率；

步骤S2：利用四叉树细分法，计算出大气光；

步骤S3：利用求解出的大气光，根据边界约束模型，得到透射率的边界值；

步骤S4：利用引导滤波，根据大气散射模型，恢复出无雾图像。

2.根据权利要求1所述的边界约束的卷积神经网络单幅图像去雾方法，其特征在于包括下述步骤：

步骤一，输入一幅有雾图像I，利用卷积神经网络对输入有雾图像I进行特征提取，所述特征包括暗通道、局部对比度、颜色衰减和色调差异，其中，I(x)表示输入有雾图像I的像素点x的值，表示卷积滤波器，i、j分别表示像素点x的横纵坐标，表示偏置单元；

步骤二，采用多尺度映射对步骤一得到的四个特征进行处理，以实现尺度不变性，其中，F₁表示步骤一的输出结果，{W₂}表示卷积滤波器，{B₂}表示偏置单元，p∈[1,16]对输出特征映射进行索引；

步骤三，根据多尺度映射得到的特征映射图，利用局部极值方法计算每个像素邻域最大值其中，表示步骤二的输出结果，Ω(x)表示以像素点x为中心7×7的邻域；

步骤四，采用双边整流线性激活函数训练出透射率F₄＝min(1,max(0,W₄*F₃+B₄))，保持透射率的双边约束和局部线性，其中，F₃表示步骤三的输出结果，W₄表示卷积滤波器，B₄表示偏置单元；

步骤五，对输入有雾图像I进行灰度化处理，生成灰度化的雾图；

步骤六，采用四叉树细分将灰度化的雾图分为四个部分分别表示左上、右上、左下和右下的区域，n表示分解次数；以每个区域的平均灰度值作为该区域的值；

如果第一次细分得到的区域最高值位于图像的上半部分，则将这个区域再次划分为四个更小块的新区域，并继续使用四叉树方法进行下一次迭代；直到所选择的区域小于预设终止阈值，得到最终区域x_final作为天空；如果第一次细分的区域最高值出现在图像的下半部分，则以每个区域的平均灰度值乘以一个大于1的加权系数η作为该区域的值，然后比较四个区域的值选出最高的作为下一次迭代的区域；如果选出的区域仍在图像的下半部分，则对该区域继续采用采用四叉树细分处理直到得到x_final，否则，除获得x_final外，图像的上半部分的平均灰度值最高的区域将被细分，以获得另一候选最终区域x'_final；按照比率公式计算两个候选区域x_final和x'_final的值S'(x_final)和S'(x'_final)，选择值更大的一方作为天空区域；其中mean_gray表示平均灰度值，mean_gradient表示平均梯度值；

所述的四叉树细分的过程中，如果最大平均灰度值与第二最大平均灰度值之间的差值小于设定阈值S_T，则不再进一步细分，以当前具有最高灰度值的区域作为天空；

步骤七，选取天空区域中前百分之十亮度最大的像素，取其平均灰度值作为大气光的估计值；

步骤八，在全球大气光A已知的情况下，对于每个像素点x计算相应的边界约束，透射率新的下界满足0≤t_b(x)≤t(x)≤1，其中，t(x)表示像素点对应的介质传输透射率，I^c、A^c、分别表示I、A、C₀、C₁的颜色通道，C₀和C₁表示与有雾图像相关的两个常量向量，C₀＝30，C₁＝300；

步骤九，采用引导滤波平滑图像；

步骤十，根据大气散射模型，实现单幅图像去雾，恢复出的无雾图像J的像素点x的值