[发明专利]一种基于暗通道的深度学习数据集生成方法

说明书

一种基于暗通道的深度学习数据集生成方法，涉及深度学习图像去雾技术，尤其涉及图像复原技术。目的是为深度学习图像去雾算法研究提供同一场景有雾图像与无雾图像对比数据集。本发明以大气散射物理模型为理论基础，首先利用暗通道方法获得暗通道图像，再利用引导滤波对得到图像进行优化获取遮罩图像，然后计算大气光值并对原始清晰图像进行雾天图像模拟得到雾天图像。该方法可以根据实验需求生成带不同浓度雾的图像，生成的带雾图像数据集真实性高、应用性强，有效的解决了在研究图像去雾算法中数据集不充足的问题。适用于图像处理、目标识别等领域。

技术领域

一种基于暗通道的深度学习数据集生成方法，涉及深度学习图像去雾技术，尤其涉及图像复原技术。

背景技术

近年来，人们对深度学习技术的研究日益火爆，应用深度学习技术进行图像去雾也受到越来越多学者的青睐，在深度学习图像去雾中，图像数据集对于深度学习中模型的构建是有至关重要的地位。在深度学习图像去雾技术中去雾网络模型的构建是一个关键问题，对于模型的构建就需要对模型进行训练，并且需要在模型的训练过程中加入有效的训练数据。针对训练关于深度学习图像去雾的网络模型就需要在训练网络中输入相应的带雾图像以及清晰图像。但是目前在网络上可以找到的开源的针对图像去雾研究的数据集一般只含有清晰图像或者是雾天图像，或者是有的数据集中的确含有成对的雾天图像以及对应的清晰图像，但是数据量太少，不能够对网络模型进行有效的训练。所以符合实验要求的训练数据对实验能否成功有着至关重要的作用，由此可以看出图像数据集的生成方法的研究也是格外重要的，所以本发明具有很高的研究意义和价值。

发明内容

本发明的目的是为深度学习图像去雾算法研究提供一种相同场景下有雾图像与无雾图像对比数据集。

该基于暗通道的深度学习数据集生成方法包括以下步骤：

步骤一、读取原始输入图像，使用暗通道方法获取输入RGB图像的暗通道图像；

步骤二、使用引导滤波对步骤一中的暗通道图像进行优化处理并将优化后的暗通道图像进行取值范围调整，获得遮罩图像；

步骤三、使用步骤一中获取的暗通道图像，按照暗通道图像亮度的大小提取S倍的像素值来求取大气光值A；

步骤四、以大气散射模型以及暗通道知识为基础进行有雾图像的模拟，具体包括：

步骤四一、有大气散射模型知识可以得到公式I(x)＝t(x)J(x)+A[1-t(x)]，t(x)为透射率，J(x)为无雾图像，I(x)为有雾图像，A为大气光值。在公式两边同时除以大气光值进行变换，再通过暗通道操作以及暗通道先验理论知识可以得到粗略估计的透射率，公式如下：

步骤四二、为了让模拟图像更具有真实性，在此步骤中引入调整参数ω，优化了粗略估计的透射率，公式如下：

当透射率t(x)大于0时，对于公式I(x)＝t(x)J(x)+A[1-t(x)]中的直接衰减项t(x)J(x)也会大于0，再通过调整透射率比例就可以复原的有雾图像，公式表达如下；

其中M为原图像，ψ₁为加雾浓度控制权重，ψ₂为调节复原图像亮度的控制权重。

步骤五、通过对雾化程度参数T₁以及雾化图像亮度T₂的调整得到实际需求类型的有雾图像。

进一步地，所述方法还包括：

步骤六、加入批量处理操作，提高图像获取效率。

进一步地，步骤三中的S＝0.001。

进一步地，步骤四二中的ω＝0.95。