[发明专利]基于神经网络以及直方图匹配的图像去雾方法

说明书

本发明属于图像增强技术领域，具体为一种基于神经网络以及直方图匹配的图像去雾方法。本发明方法包括：先对输入有雾图像进行分割，然后对分割后的每一小块图像采用神经网络预测有雾图像到无雾图像的直方图变化，并以模型输出的预测直方图指导该小块有雾图像进行像素的重新排布；每小块图像去雾完成后，通过导向滤波器去除区块之间的不自然过渡。本发明在拥有良好的去雾结果的同时，计算速度也更快，并且计算量不随着图像大小增加而增加，非常适合高分辨率图像去雾。

技术领域

本发明属于图像增强技术领域，具体涉及基于神经网络进行直方图匹配的图像去雾方法。

背景技术

大雾是一种普遍的天气，在雾霾天中，由于空气中的雾气、灰尘、小水滴等细小悬浮物对光线传播的散射，会极大地影响人视线。在这样的天气下拍摄的照片也往往会变得朦胧。

在过去的十余年里，去雾领域的研究者提出了很多的算法来实现单幅图像的去雾，可以大致分为以下几类。一类算法基于图像增强，基于图像增强的算法更关注图像的对比度和细节，去雾后的结果更加清晰，然而由于未考虑图像质量变差的根本原因，恢复后的图像相比原图会产生色彩的畸变。第二类算法为基于物理模型的算法，基于物理模型的算法从有雾图像的退化机制入手，恢复原始图像，由于考虑了有雾图像的形成机制，能更真实地还原出原始图像，然而这种类型的算法往往只能应用于特定场景。还有一类算法基于深度学习，其中又分端到端(模型输入有雾图像，输出清晰图像)的方法，以及利用模型估算传输率等物理量，再用传统方法去雾的算法。这两类算法都需要对输入图像进行二维的卷积，需要大量的运算，尤其是对高清图像时，计算的复杂度急剧上升。

发明内容

本发明的目的在于提出一种高效的，并且能适应多种场景的图像去雾方法。

由于传统的尝试通过物理模型的算法很难以一种线性变换来表示各种情况中雾气的影响，在本发明中加入了深度学习的方法，通过大量数据，来学习有雾图像以及无雾图像的直方图之间潜在的变换。

本发明提出的图像去雾方法，是基于神经网络以及直方图匹配技术的，具体步骤为：

(1)将图像分割成一系列的小块，使得每一小块内，雾的浓度相差不大；通常情况下可将图像分割成8x8个区块。若图像中不同区域雾浓度变化较大，可以分成更多块；

(2)统计每一小块内的像素值的分布，分R、G、B(红、绿、蓝)三通道统计灰度直方图。灰度直方图的横坐标以4像素为间隔，故总共有256/4＝64个间隔，又因为有三个通道，故统计得到的数据可以表示成64x1x3的矩阵。统计得到的矩阵需要除以矩阵中的最大值，保证所有输入数据的取值范围为0-1，便于模型学习；

(3)将之前得到的每一小块图像的直方图统计结果输入到经过训练的神经网络中，通过一系列一维的卷积，最终输出预测的去雾结果中对应块的直方图；

(4)将输出的直方图以及输入的直方图都除以它们所有数据的和，使它们中数据的累加和为1(归一化处理)，并通过积分转换为累计分布直方图，以进行直方图匹配。假设输入的直方图进行积分得到的累计分布直方图为c_i(x)，输出的直方图积分得到的累计分布直方图为c_o(x)，它们的横坐标x为像素值，纵坐标为小于等于x的像素在所有像素中所占的比例。取c_i＝c_o时他们的横坐标就是对应的像素重排列的查找表。例如c_i(100)＝c_o(90)，则表示有雾图像中像素值为100的像素在去雾结果中的像素值应该为90；

(5)进行直方图匹配后，对应的，分别获得每一块的去雾结果，并拼成大图；

(6)由于分块预测，此时区块之间会有不自然的过渡，本发明通过导向滤波器来去除不自然的过渡。其中，原始有雾图像作为引导图。

实验表明，本发明方法去雾效果非常好，明显增强了图像的对比度，且十分自然；算法的速度也远远优于现有方法。