[发明专利]一种基于双目图像的去雾方法

说明书

本发明涉及一种基于双目图像的去雾方法，包括下列步骤：第一步，构建双目有雾的图片数据库，计算出不连续的左图的距离图，在已知左右距离图的前提下，根据大气散射模型，设置三种雾的浓度，随机从[0.7,1]中选取一个值作为大气光参数，合成双目有雾数据集；分别设计透射图估计网络和大气光参数预测网络；利用第一步构建的数据集对透射图估计网络和大气光参数预测网络同时进行训练透射图估计网络和大气光参数预测网络，训练出一个基于双目图像的去雾模型。

技术领域

本发明属于深度学习和计算机视觉领域，特别涉及一种利用深度卷积神经网络的基于双目图像的去雾方法。

背景技术

恶劣天气如雾，雨，烟会严重影响图片的质量，质量差的图片会大大降低基于图像的物体检测等计算机视觉任务的性能。在无人驾驶的场景中，物体检测对于行车路线的决策规划发挥重要的作用。其中2D物体检测框出物体的位置并识别物体的种类，相较之下3D物体检测还能检测到距离信息。在行驶过程中，如果检测到前方有行人，就要减速避让，若是检测到红灯，就要停车。这个过程中，检测到障碍物，行人，红绿灯很重要，获得它们的距离信息对于行车决策尤为关键，因此3D物体检测是无人驾驶中一个重要课题。3D物体检测技术目前可以大致分为两类：基于激光雷达的3D物体检测和基于双目相机的物体检测。雷达造价高，感知距离相对有限(100m之内)，双目相机价格低，利用左右图的视差关系预测的深度距离比单目相机更加准确，感知的距离与相机的焦距，两个相机之间的距离成正比，所以基于双目的3D检测应用前景更加广阔[1]。在恶劣天气如大雾的情况下，输入的双目图像质量差，严重影响3D检测的准确性。因此，在恶劣天气下，恢复高质量的无雾双目图像，对无人驾驶尤为重要。

现有的一些去雾算法都是对单目图像的去雾。通常基于一个大气散射模型，公式如下

I(x)＝J(x)t(x)+A(1-t(x))

其中I(x)是有雾图像，J(x)是清晰图片，t(x)是透射图，其中t(x)＝e^-βd(x)，d(x)物体和相机成像点的距离图，β是常数，β越大雾的浓度越大。透射图t(x)是距离d(x)成正比。A是大气光参数。

现有的基于深度学习的单目去雾算法输入一张有雾图片，用卷积神经网络预测透射图t(x)，用传统方法或较浅的神经网络预测大气光参数A，最后利用以下公式求得去除雾的图片：

由于t(x)主要与物体和相机成像点的距离有关。

参考文献：

[1]Peiliang Li,Xiaozhi Chen,and Shaojie Shen.Stereo R-CNN based 3DObject Detection for Autonomous Driving.In Proc.CVPR2019.

[2]Marius Cordts,Mohamed Omran,Sebastian Ramos,Timo Rehfeld,MarkusEnzweiler,Rodrigo Benenson,Uwe Franke,Stefan Roth,and Bernt Schiele.Thecityscapes dataset for semantic urban scene understanding.In Proc.CVPR2016.

发明内容

本发明考虑到双目图像可以预测深度信息，以及实际应用对双目图像去雾的需求提出一种可以恢复出清晰的高质量的双目图像的去雾方法。为了达到上述目的，本发明的技术方案如下：

一种基于双目图像的去雾方法，包括下列步骤：