[发明专利]一种基于递归神经网络的夜间图像去雾方法

说明书

本发明公开了一种基于递归神经网络的夜间图像去雾方法，涉及图像去雾技术领域，包括以下步骤：搭建空洞卷积模型，并将夜间有雾图像I作为输入；获取从卷积层输出的辉光相关特征f_G和经过小尺度的卷积滤波得到用来表示辉光位置的GM；将获取的GM与f_G的级联特征经过卷积滤波得到辉光的强度估计S；将获取的特征级联起来卷积输出得到去辉光后的雾霾图像H；获取雾霾图像H的透射率和环境光照。本发明通过递归迭代将输入有雾图像的不同分量融合在同一损失函数中，提高辉光分量求解的准确度以及算法的鲁棒性；通过在特征提取的卷积层中采用空洞卷积的结构，减少局部信息丢失的同时增大感受也能包含更多的前后像素信息，使模型的预测更加准确。

技术领域

本发明涉及图像去雾技术领域，具体来说，涉及一种基于递归神经网络的夜间图像去雾方法。

背景技术

近年来，日间图像去雾问题得到了广泛的关注，并涌现出许多优秀的算法，包括图像增强法，模型求解法等。然而将这些方法直接应用于夜间图像去雾问题时，效果往往不尽如人意。原因有二，一是相对于场景单一的强光源来说，夜间场景一般包含有多个光源，导致模型中的环境光照不再是常量；二是在雨雾天气，路灯、车灯等光源发出的光线经过折射与散射后使成像后的光源被放大，这种现象叫做辉光效应。

现有的基于大气散射模型的图像去雾技术在日间雾霾图像的复原和清晰化上已经取得了良好的效果，但当将这些方法直接应用到夜间有雾图像的时候，结果却不尽如人意，其主要原因是夜间场景成像机制比较复杂，往往包含多个光源，环境光照不能再当作常量看待，而且这些方法无法去除雾气对入射光的衰减，因此不适用于夜间图像去雾。

目前夜间图像去雾的效果还不够理想，主要表现在两个方面：1)颜色失真：去雾前后的全局颜色不一致；2)光晕效应：去雾后图像的光源区域存在光晕效应和过曝现象。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于递归神经网络的夜间图像去雾方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于递归神经网络的夜间图像去雾方法，包括以下步骤：

步骤S1，搭建空洞卷积模型，并将夜间有雾图像I作为输入；

步骤S2，获取从卷积层输出的辉光相关特征f_G和经过小尺度的卷积滤波得到用来表示辉光位置的GM；

步骤S3，将获取的GM与f_G的级联特征经过卷积滤波得到辉光的强度估计S；

步骤S4，将获取的特征级联起来卷积输出得到去辉光后的雾霾图像H；

步骤S5，获取雾霾图像H的透射率和环境光照；

步骤S6，将透射率和环境光照代入大气散射模型获得无雾图像。

进一步的，包括辉光分量分解，表示为：

I(x)＝H(x)+G(x)，

其中，H(x)＝J^c(x)t(x)+A^c(x)(1_t(x))表示为有雾图像的雾霾图像，

其中，G为辉光图像，S表示为k个代表辉光图像形状和光照的S_k的叠加，GM表示为光源区域和非光源区域的二值辉光掩膜。

进一步的，包括：

将获取的有雾图像I和雾霾图像H再反馈到空洞卷积模型的输入端进行下一次迭代，直到网络收敛。