[发明专利]一种基于局部区域分割与SCN结合的图像去雾方法

权利要求书

1.一种基于局部区域分割与SCN结合的图像去雾方法，其特征在于，包括以下步骤：

步骤S1：采用基于信息熵率的超像素分割算法将有雾图像进行区域分块，得到各区域分块图像；

步骤S2：利用SCN通过无监督学习方式获取各区域分块图像的雾特征，得到各区域分块图像的雾特征图；

步骤S3：基于CNN模型通过有监督学习方式得到特征图与透射率图之间的映射关系，得到各区域分块图像的场景透射率图；

步骤S4：采用超引导滤波方法对得到的场景透射率图进行滤波操作；

步骤S5：根据大气散射模型反演出无雾图像。

2.根据权利要求1所述的基于局部区域分割与SCN结合的图像去雾方法，其特征在于，步骤S1中所述基于信息熵率的超像素分割算法具体为：

将图像映射成无向图，将图像分割转化为图的区域相似性；

利用最大转移概率定义目标函数；

通过求解目标函数最大值获取相应的区域。

3.根据权利要求1所述的基于局部区域分割与SCN结合的图像去雾方法，其特征在于，步骤2中SCN的训练具体包括：

从训练样本集Iset中选择N个大小为r×r的有雾图像块x_i作为输入，以x_i自身作为标签进行训练，各层之间使用sigmoid作为传输函数，以均方误差函数MES作为损失函数，通过反向传播算法训练各网络层参数，对于训练样本x_i，定义各层的输出为：

a(1)＝x_i

a(2)＝f(∑W(1)a(1)+b(1))

a(3)＝f(∑W(2)a(2)+b(2))

...

a(p)＝f(∑W(p-1)a(p-1)+b(p-1))

网络参数通过最小化网络输入x_i和输出之间的loss函数获得，用均方误差函数作为loss函数，样本的总量为N，则有：

其中网络的层数为p，网络参数W和b表示相邻两层间的联结权重和偏置，a(·)表示各层的输出值，a(1)＝x_i表示第一层网络的输出为x_i，f(·)代表sigmoid激活函数，定义为f(·)＝1/(1+exp(－x))。

4.根据权利要求3所述的基于局部区域分割与SCN结合的图像去雾方法，其特征在于，步骤S3基于CNN模型通过有监督学习方式得到特征图与透射率图之间的映射关系，得到各区域分块图像的场景透射率图，具体包括：CNN模型中主要包含三个操作：卷积conv、修正函数ReLU和全连接FC；其中卷积conv中第l+1卷积层的输出为：

其中和分别代表当前第l层和第l+1层的输出，n，m表示特征图的数量，k是卷积核，b为误差，*表示卷积操作；

修正函数ReLU卷积操作后加上修正函数，使得输出像素值为正，ReLU定义如下：

全连接FC采用单个3×3的卷积近似代替FC操作；利用matconvnet算法实现CNN的训练过程，以特征序列feature(x_i)作为样本输入，对应的透射率图t(x_i)作为标签，使用SGD反向传播算法进行有监督的训练，t*(x_i)是CNN的输出值，定义输出值与标签间的loss函数为：

5.根据权利要求1所述的基于局部区域分割与SCN结合的图像去雾方法，其特征在于，采用超引导滤波方法对得到的场景透射率图进行滤波操作，具体包括：超引导滤波过程可以表示为

其中：I为指导矩阵；p为输入矩阵；q为输出矩阵；ij为矩阵中元素，wij(I)是超引导滤波器的核，影响输出矩阵q对场景结构信息的保持性；超引导滤波器在像素k处的输出是指导矩阵I中以像素k'为中心的窗口w_k'中所有元素的线性组合，表达式为：

其中a_k'和b_k'是窗口w_k'中和输入图像P有关的常量线性变换系数，为求得a_k'和b_k'，将最小化输入图像P和输出图像Q之间的差异性问题转化为代价函数的极小值问题，定义代价函数E(a_k'，b_k')：

其中ε归一化参数；E(a_k'，b_k')取最小值，得到a_k′和b_k′；对所有局部窗口应用局部线性模型，得到最终的滤波效果，输出图像Q为：