[发明专利]一种融合暗通道的神经网络烟雾图像分类方法

权利要求书

1.一种融合暗通道的神经网络烟雾图像分类方法，包括下列步骤：

步骤1：准备烟雾和非烟雾图像，在数据中加入天空中的云、光滑的墙壁、车身和水面图像以扩充训练样本；

步骤2：对步骤1中的图像大小归一化为227*227，并进行暗通道处理，作为后续网络训练的数据集；

步骤3：将卷积神经网络的结构设计为双通道网络，两条通道网络同时训练，其中第一条网络在AlexNet的基础上加入残差块网络，输入RGB原图数据集，提取泛化性能较好的原图特征，第二条网络输入暗通道图像提取烟雾暗通道特征，两条网络末端进行特征连接、融合，生成训练网络模型文件并保存；

步骤4：用训练模型对实际烟雾和非烟雾图像进行分类，得到分类结果。

2.根据权利要求1所述的一种融合暗通道的神经网络烟雾图像分类方法，其特征在于，步骤1中，加入与烟雾图像特征相似的物体图像增强模型的分类精度。

3.根据权利要求1所述的一种融合暗通道的神经网络烟雾图像分类方法，其特征在于，步骤2中，将所有数据进行暗通道处理，作为第二条网络通道的输入；暗通道原理为：在绝大多数的非天空局部区域中，某一些像素总会有至少一个颜色通道具有很低的值：

其中J^dark(x)表示暗像素的值，J^c(x)表示RGB三通道的像素点；在这个公式中，暗像素的取值为某一个区域中的最低像素值，而这个像素值又是取自RGB三通道中的最小值；暗通道先验定理指出：

J^dark(x)→0 (2)

即暗像素的取值总是趋于0，所以一些景物的暗通道总是呈现出比较暗的状态；而对于烟雾来说，烟雾的暗像素值相对于其他事物要高，烟雾的暗通道图像显示了更详细的烟雾特征信息，有利于本发明对烟雾进行全面的特征提取。

4.根据权利要求1所述的一种融合暗通道的神经网络烟雾图像分类方法，其特征在于，步骤3中，双通道网络具有不同的数据输入，在第一条网络通道中，网络的设计以AlexNet为基础，加入残差块对网络进行分类性能的提升，并且第一条网络的输入是RGB原图，用于提取广义特征；而残差块的存在可以很好地解决梯度消失和梯度爆炸的问题，有效提高网络的分类性能；原理公式如下：

y_l＝h(X_l)+F(X_l，W_l)(W_l＝{W_l，k|_1≤k≤K}) (3)

X_l+1＝f(y_l) (4)

其中y_l表示这个残差块的输出，X_l表示第l个残差块的输入，设其h(X_l)＝X_l，X_l+1＝y_l，可以得到：

第L个残差单元可以表示几个浅层残差单元之和，包含所有的复杂映射；如果显示函数为ε，则前向传播为：

显然，网络结构级联间的乘法不存在，梯度消失的源头也不存在，该结构能够很好地保持梯度相关性，解决梯度问题，优化网络；本发明将残差块增加到AlexNet中，用于预防梯度问题，提高模型的分类性能。

5.根据权利要求1所述的一种融合暗通道的神经网络烟雾图像分类方法，其特征在于，步骤3中，第二条网络通道由AlexNet网络改进得到，以暗通道图像为目标数据集直接训练，用来提取暗通道图像中烟雾的细节特征。

6.根据权利要求1所述的一种融合暗通道的神经网络烟雾图像分类方法，其特征在于，步骤3中，两条通道的网络分别训练，在concat层进行特征融合，再输入到全连接层以获取烟雾图像的全面特征。

7.根据权利要求1所述的一种融合暗通道的神经网络烟雾图像分类方法，其特征在于，步骤4中，对实际烟雾图像和非烟雾图像进行分类，得到分类结果。