[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，其特征在于，包括：

S1、获取多个无雾图像，利用大气散射模型为每一无雾图像合成不同浓度的有雾图像；

S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的卷积神经网络获取去雾神经网络模型；

S3、将待除雾的图像输入至所述去雾神经网络模型，获取除雾图像；

其中，在步骤S2中所述预先构建的卷积神经网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，且每一卷积层后均设置有一个激活层；

将步骤S1中合成的不同浓度的有雾图像作为预先构建的卷积神经网络的输入图像，所述输入图像通过所述第一卷积层后生成第一特征图，所述第一特征图通过所述第二卷积层后生成第二特征图，将所述第一特征图和所述第二特征图进行拼接获取第一拼接特征图，所述第一拼接特征图通过所述第三卷积层后生成第三特征图，将所述第三特征图和所述第二特征图进行拼接获取第二拼接特征图，所述第二拼接特征图通过所述第四卷积层后生成第四特征图，将所述第一特征图、第二特征图、第三特征图和第四特征图进行拼接得到第三拼接特征图，所述第三拼接特征图通过所述第五卷积层生成第五特征图，将所述第五特征图与输入图像相乘并与第五特征图相加作为预先构建的卷积神经网络的输出图像，重复迭代并更新网络权重比，直至迭代次数达到预设值，并利用最后一次更新的网络权重比获取去雾神经网络模型。

2.如权利要求1所述的方法，其特征在于，在步骤S1中合成不同浓度的有雾图包括：

获取每一无雾图像的深度信息d(x)，利用公式一获取每一无雾图像的场景透射率t(x)，利用公式二合成不同浓度的有雾图像I(x)；

公式一：t(x)＝e^βd(x)；

公式二：I(x)＝J(x)t(x)+A(1-t(x))；

其中，β为大气散射系数，且取值范围为0.4-1.6之间的随机数；A为大气光照强度，且取值范围为0.5-0.9之间的随机数；J(x)为无雾图像。

3.如权利要求2所述方法，其特征在于，所述第一卷积层为三个1×1卷积核，所述第二卷积层为三个3×3卷积核，所述第三卷积层为三个5×5的卷积核，第四卷积层为三个7×7的卷积核，第五卷积层为一个3×3的卷积核，且每一卷核后均设置有一个激活层。

4.如权利要求3所述的方法，其特征在于，

所述第一特征图的数量为三个，所述第二特征图的数量为三个，所述第一拼接特征图的数量为六个，所述第三特征图的数量为六个，所述第二拼接特征图的数量为九个，所述第四特征图的数量为三个，所述第三拼接特征图的数量为十二个，所述第五特征图的数量为一个，且每一特征图的尺寸均与所述输入图像的尺寸相同。

5.如权利要求 4所述的方法，其特征在于，在步骤S2中获取去雾神经网络模型包括以下步骤：

S21、初始化预先构建的卷积神经网络的权重比；

S22、将每一不同浓度的有雾图像作为预先构建的卷积神经网络的输入，将与该有雾图像对应的无雾图像作为预先构建的卷积神经网络的输出，并更新当前卷积神经网络的权重比；

S23、重复执行步骤S22直至迭代次数达到预设值，以最后一次迭代后更新的权重比作为去雾神经网络模型的权重比。

6.如权利要求1-5任一所述的方法，其特征在于，在步骤S1与S2之间还包括，将所述多个无雾图像与对应合成的不同浓度的有雾图像分成训练集和验证集；

在步骤S2中利用所述训练集训练预先构建的卷积神经网络，利用所述验证集验证所述去雾神经网络模型。

7.如权利要求6所述的方法，其特征在于，所述训练集中图像数量与所述验证集图像数量比为4:1。

8.如权利要求7所述的方法，其特征在于，每一无雾图像与该无雾图像合成的不同浓度的有雾图像的数量比为1:21。

9.如权利要求8所述的方法，其特征在于，所述多个无雾图像格式为RGBD图像。