[发明专利]结合残差块和密集块的编码器-解码器网络图像去雾方法

说明书

本发明公开了一种结合残差块和密集块的编码器‑解码器网络的图像去雾方法，该方法包括以下步骤：首先使用深度超分辨率技术，提高深度图的分辨率，其次以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理，然后通过研究主流的CNN技术，设计结合残差块和密集块的编码器‑解码器网络，最后通过最小化整体的损失函数，训练和优化网络模型，实现图像去雾。本发明的方法在编码器‑解码器网络中，引入了残差块和密集块结构，有利于提高网络的信息流通，最大限度的保留特征信息，学习到更加准确的图像特征信息。使用本发明的方法可以提高图像去雾的质量，获得较为理想的图像去雾结果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种结合残差块和密集块的编码器-解码器网络的图像去雾方法。

背景技术

由于受到气候、环境污染等因素的影响，当大气中的空气气压低，风力较小时，气流就会流动缓慢或者不流动，使得空气中水滴、灰尘等悬浮颗粒聚集，形成了雾或雾霾。光线在传输过程中，由于受到雾或雾霾反射、折射、吸收等作用的影响，导致图像对比度下降，细节信息丢失，严重影响图像成像质量。从光学角度来解释，有雾图像影响人们的日常照片拍摄，实时监控系统、目标追踪系统、卫星遥感技术等领域也受到了严重的影响。因此，急需提出一种快速的、有效的、便于实现的图像去雾方法，恢复图像的清晰度、可视性。

近几十年，经过许多学者的不断研究与发现，产生了许多经典的、有效的图像去雾方法。目前，图像去雾方法主要可以分为两大类。第一类，基于图像增强的去雾方法，此类方法大多不是从物理模型出发，大致可分为两小类：(1)全局增强算法，包括全局直方图均衡算法、小波变换方法、Retinex算法、曲波变换、同态滤波等；(2)局部增强算法，包括局部直方图均衡算法、局部方差增强算法等。该类方法主要是通过增强图像的对比度、亮度、饱和度，突出图像的主要信息，恢复图像的显示效果，并没有考虑引起图像降质的根本原因，存在信息丢失的问题，不是真正意义上的去雾，在视觉上没有取得理想的去雾结果。第二类，基于图像复原的去雾方法，这类方法通过分析引起图像质量退化的根本原因，建立雾天成像的物理模型，并且使用相关的先验条件和辅助信息对其进行约束，反演推算出复原图像。该类方法恢复的图像信息丢失较少，整体的视觉效果优于第一类方法。

许多经典的去雾方法，比如暗通道先验、颜色衰减先验、非局部先验等，在处理图像的过程中，由于估计的大气光值和透射率不准确，存在严重的信息丢失问题，导致最后得到的去雾图像出现色彩失真、伪影、块效应等现象。深度学习方法的出现和使用，大大促进了图像处理领域的发展。本发明通过使用深度超分辨率技术提高深度图分辨率的方式，对训练集进行优化，并且结合残差网络(ResNets)，密集连接网络(DenseNets)等主流的CNN技术，提出一种结合密集块和残差块的编码器-解码器网络的图像去雾方法。

发明内容

本发明的目的在于提供一种结合残差块和密集块的编码器-解码器的图像去雾方法，用来实现图像去雾，提高图像的清晰度。

为了实现上述目的，本发明采用如下技术方案。

一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，首先使用深度超分辨率技术，提高深度图的分辨率，其次以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理，然后通过研究主流的CNN技术，设计结合残差块和密集块的编码器-解码器网络，最后通过最小化整体的损失函数，训练和优化编码器-解码器网络，实现图像去雾。所述的网络模型使用NYU2 Depth Database作为训练集，REalistic Single Image Dehazing(RESIDE)作为测试集，并且使用Feature FusionAttention Network for Single Image Dehazing(FFA-Net)方法与本发明的方法进行了实验对比。

本发明的具体步骤为

1)使用深度超分辨率技术，提高深度图的分辨率，完成深度图的优化处理。