[发明专利]一种基于卷积神经网络的图像去雾方法

权利要求书

1.一种基于卷积神经网络的图像去雾方法，其具体包括以下步骤：

S1，原始无雾图像的获取；

S2，有雾图像的获取；

S3，建立网络模型，对所述有雾图像进行处理，得到最终去雾图像；

其特征在于，在S1中，所述原始无雾图像从现有的数据集中选取，选取N幅所述原始无雾图像作为整体训练样本；

在S2中，将S1中所述原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对所述原始无雾图像进行处理，得到所述有雾图像；

在S3中，所述网络模型为卷积神经网络模型，搭建所述卷积神经网络模型，采用所述卷积神经网络模型对所述有雾图像进行处理，具体的网络模型建立方法包括以下步骤：

S31，选取用于搭建所述卷积神经网络模型的网络训练样本，所述网络训练样本包括M幅无雾图像和M幅有雾图像；

S32，对所述网络训练样本进行裁剪；

S33，将裁剪后的所述网络训练样本中的有雾图像作为输入值，所述无雾图像作为对应的输出标签，训练所述卷积神经网络模型。

2.根据权利要求1所述的一种基于卷积神经网络的图像去雾方法，其特征在于，其还包括步骤S4，设置所述卷积神经网络模型的学习率和动量参数，使用开源框架训练所述卷积神经网络。

3.根据权利要求2所述的一种基于卷积神经网络的图像去雾方法，其特征在于，所述开源框架为Tensorflow，使用所述Tensorflow训练所述卷积神经网络，直至损失函数降低到设定值，所述Tensorflow的模型训练结束。

4.根据权利要求1所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S1中，所述现有的数据集为BSD500数据集和NYU数据集。

5.根据权利要求4所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S2中，人工合成有雾图像的具体步骤包括：

S21，对所述原始无雾图像进行归一化处理，得到所述原始无雾图像的蓝色通道图像B（X）；

S22，采用引导滤波法去掉所述蓝色通道图像集B（X）中的细节，得到细化的蓝色通道图像B1（X）；

S23，使用蓝色通道加雾算法对所述细化的蓝色通道图像B1（X）进行处理，得到所述原始无雾图像的深度图，所述蓝色通道加雾算法为所述细化的蓝色通道图像B1（X）与所述深度图之间的对数关系，计算公式表示为：

d（x）=-log（1-B1（x）），

其中，d（x）表示原始无雾图像的深度图，B1（x）表示细化的蓝色通道图像集；

S24，采用所述大气散射模型对所述深度图进行处理，得到所述有雾图像，所述大气散射模型的计算公式表示为

t（x）=e^-βd（x） ，

I（x）=J（x）*t（x）+A*（1-t（x）），

其中，J（x）为无雾图像，t（x）表示传播图，A代表全局大气光系数，为常量值， I（x）表示经大气散射模型算法得到的有雾图像，β为常量值。

6.根据权利要求5所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S31中，所述网络训练样本的选取方法为：从S1中的N幅所述原始无雾图像集中选取M幅原始无雾图像，从经S2人工合成处理得出的所述有雾图像中选取M幅有雾图像，M幅所述原始无雾图像与M幅所述有雾图像组成有雾/无雾图像对，将所述有雾/无雾图像对作为所述卷积神经网络模型的训练样本，将剩余的所述有雾图像作为测试样本，测试样本的数量为C=N-M。