[发明专利]基于贝叶斯卷积神经网络的图像去雾方法及存储介质

说明书

本发明公开了一种基于贝叶斯卷积神经网络的图像去雾方法及存储介质，所述方法包括：获取RESIDE数据集，采用所述RESIDE数据集中的ITS数据集作为训练集，SOTS数据集作为测试集。将所述训练集输入至贝叶斯卷积神经网络内，对所述贝叶斯卷积神经网络进行训练得到最优模型。将所述测试集输入至所述最优模型，采用所述最优模型对所述测试集进行端对端的去雾处理，并输出去雾图像。本发明能够有效地规避过拟合问题，增强去雾模型的鲁棒性。

技术领域

本发明涉及图像处理领域，特别涉及一种基于贝叶斯卷积神经网络的图像去雾方法及存储介质。

背景技术

雾霾常见于城市，是一种灾害性自然天气现象，雾霾的形成主要是空气中悬浮的大量微粒和气象条件共同作用的结果。雾霾的产生导致捕获的室外图像不清晰对比度差，图像质量的下降让人类很难识别图像的内容，同时也对许多摄影领域和计算机视觉任务造成了影响，如视频监控、目标识别、图像分类、目标跟踪等。因此，如何改善低质量图像，减小雾霾导致的不利影响就显得尤为重要。

目前，图像去雾的主流方法分为两种。一种是基于先验知识的去雾方法，该方法具体的是一种局部对比度最大化的算法，能够实现提高图像的视觉效果达到去雾的目的，但易出现颜色失真的缺陷。经过观察，发现在晴朗的室外图像中，除了天空区域，其他像素点都会有一个颜色通道具有很低的值，由此提出一种暗通道先验去雾算法，但在天空区域和其他不满足暗通道先验的区域出现颜色失真现象。另一种是基于深度学习的去雾方法，具体的是一个新的网络结构DehazeNet(含有可解释卷积核的多尺度卷积神经网络)，采用卷积神经网络基于网络(CNN)的深层架构，并通过新型的BReLU激活函数进行归一化传输，根据雾天图像的训练预测出透射率。

近年来，各种图像去雾的方法层出不穷，基于深度学习的图像去雾方法最为流行。深度学习模型的不用人为定义特征的提取方法，网络本身可以学到如何提取所需特征，比传统的图像处理方法在去雾效果上具有更高的恢复准确度和普适度。但是，一方面深度学习模型设计愈加复杂，数据量也存在不足的情况，这些都易导致过拟合问题的产生。另一方面，现有的卷积神经网络去雾方法都是采用具体的数值作为权重，从概率论的角度来说，使用点估计作为权重是不合理的。

发明内容

本发明的目的是提供一种基于贝叶斯卷积神经网络的图像去雾方法及存储介质以规避过拟合问题。

为了实现以上目的，本发明通过以下技术方案实现：

一种基于贝叶斯卷积神经网络的图像去雾方法，包括：

步骤S1、获取RESIDE数据集，采用所述RESIDE数据集中的ITS数据集作为训练集，SOTS数据集作为测试集。

步骤S2、将所述训练集输入至贝叶斯卷积神经网络内，对所述贝叶斯卷积神经网络进行训练得到最优模型。

步骤S3、将所述测试集输入至所述最优模型，采用所述最优模型对所述测试集进行端对端的去雾处理，并输出去雾图像。

优选地，所述ITS数据集为室内雾霾图像数据集，包含n张清晰图像和10*n张雾霾图像；所述SOTS数据集包括室内雾霾图像数据集和室外雾霾图像数据集，所述室内雾霾图像数据集包含m张清晰图像和10*m张雾霾图像；所述室外雾霾图像数据集包含m₁张清晰图像和与之对应的m₁张雾霾图像。

优选地，所述贝叶斯卷积神经网络包括3个编码层、18个残差块和3个解码层；每一所述编码层和每一所述解码层结构相同，每一所述编码层包含一层卷积和一层激活函数层，每一所述残差块包含两层卷积和一个激活函数层，其中所述激活函数层中激活函数采用PReLU。

优选地，所述步骤S2包括：对所述贝叶斯卷积神经网络建模：假设所述贝叶斯卷积神经网络的网络参数为W，p(W)是参数的先验分布，给定数据集D＝{(X,Y)}，这里X是输入数据，Y是标签数据；所述贝叶斯卷积神经网络给出以下分布：