[发明专利]一种基于卷积神经网络的图像去雾方法

说明书

本发明涉及一种基于卷积神经网络的图像去雾方法；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包括五个卷积层的卷积神经网络，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；S3、将待除雾的图像输入至去雾神经网络模型，获取除雾图像；本发明算法避免了传统算法大气散射模型逆推除雾，减小了中间误差，其次采用深度学习的算法，利用去雾卷积神经网络自动特征学习直接恢复出无雾图像，提升了去雾的普适性。

技术领域

本发明涉及图像去雾领域，尤其涉及一种基于卷积神经网络的图像去雾方法。

背景技术

雾霾天气是及其常见的自然现象，在雾霾笼罩的自然场景下严重影响人们的视觉观赏效果，还使得户外成像设备获取的图像质量严重退化，导致图像后期处理异常繁杂，从而最终大大降低了图像的实际应用价值；另外，由于雾霾天气现象而导致退化的监控图像及视频将会使得所拍摄到的车辆的颜色、车牌号、车标以及其它相关物体的关键信息大量丢失，在处理违反交通规则、交通事故等复杂情况时，这些关键细节的丢失对最终的决策产生很大的干扰，可能会导致误判。因此，在使用所拍摄到的图像前，必须利用图像去雾算法进行预处理。

图像去雾技术经过几十年来的发展，目前已经取得了大量客观的研究成果，就目前来看，图像去雾算法种类繁多，从去雾过程上可以分为三大类：第一类是基于图像增强的去雾算法，第二类是基于图像复原的去雾算法，第三类是基于机器学习的去雾算法。针对第一类，有部分学者提出了基于图像增强的图像去雾算法，该图像去雾算法原理简单，但一般只是从主观上对颜色、对比度等特征进行局部的增强，并不是从雾霾形成的原理进行考虑，最终的得到的除雾图像会发生失真；针对第二类，有学者提出基于图像复原的图像去雾算法，该算法基于大气散射物理模型，但由于简化的大气散射模型需要满足大气是单散射且大气中介质必须均匀的条件因此在一些高空区域的遥感图像或其他不均匀雾情况下，不具有普适性。另外，该算法是单独对大气光照强度和场景透射率进行估计，然后进行优化处理，最后根据简化的大气散射模型进行逆推，从而恢复出无雾图像，整个计算过程较复杂，计算量较大。

发明内容

(一)要解决的技术问题

为了解决现基于有雾图像复原时算法复杂、计算量大，且针对有雾图像中明亮区域去雾无效的技术问题，本发明提供一种基于卷积神经网络的图像去雾方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

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一拼接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。