[发明专利]一种基于颜色校正和上下文聚合残差网络的图像去雾方法

说明书

本发明公开了一种基于颜色校正和上下文聚合残差网络的图像去雾方法，步骤包括：步骤1、构建图像去雾模型；步骤2、校正雾图的颜色，获得颜色平衡雾图；步骤3、获取雾残差图；步骤4、计算无雾图像，将步骤3获得的雾残差图从步骤2获得的颜色平衡雾图中分离出去，得到最终的无雾图像；步骤5、计算无雾图像和数据集中对应的标签图像之间的均方误差损失函数和总变差损失函数，更新图像去雾模型。本发明的方法，解决了现有大多数去雾方法在处理雾图时出现的颜色失真、色彩不平衡等问题，避免了采用单阶段去雾网络在去雾的同时忽略图像色彩平衡的问题，对于恢复无雾图像非常有益。

技术领域

本发明属于图像处理与深度学习技术领域，涉及一种基于颜色校正和上下文聚合残差网络的图像去雾方法。

背景技术

近年来，在室外交通监控等领域(如目标检测和车辆识别)，摄像系统经常受到恶劣环境天气的影响，空气中的雾、烟等不透明的杂散颗粒的存在使得拍摄到的图像产生一定程度的视觉质量退化(如颜色偏移，亮度和对比度降低)。由于许多的计算机视觉任务依赖清晰的图像作为训练样本，因此，图像去雾作为一个预处理步骤具有非常重大的意义。

图像去雾是一种图像增强算法，其目标为在不影响图像信息的情况下，提高图像的质量、清晰度、对比度等。对于一张给定的雾图，传统的去雾方法依赖各种先验信息，通过估计透射率和全局大气光强度，然后利用大气散射模型反向求解得到无雾的图像；许多深度学习的去雾方法通过直接回归大气散射模型的两个参数或无雾图像来提高去雾的性能，利用了神经网络的特征提取能力从而达到了较好的图像去雾效果，是目前的主要研究趋势。

现有的大多数去雾方法往往忽略了对于图像颜色的校正，或者直接用一个网络来同时处理图像去雾和图像颜色校正的问题，忽略了不同的目标函数之间存在潜在的对抗性。因此，本发明提出了一种基于颜色校正和上下文聚合残差网络的两阶段图像去雾方法，通过将图像去雾任务解耦成图像颜色校正和图像去雾两个子任务，在平衡雾图颜色的同时解决了无雾图像的恢复问题，提高了去雾的整体效果与性能。

发明内容

本发明的目的是提供一种基于颜色校正和上下文聚合残差网络的图像去雾方法，解决了现有的大多数去雾方法忽略了图像的色彩平衡的问题。

本发明所采用的技术方案是，一种基于颜色校正和上下文聚合残差网络的图像去雾方法，按照以下步骤实施：

步骤1、构建图像去雾模型，

采用两阶段结构的图像去雾模型，该图像去雾模型包括颜色校正模块和雾残差模块；

步骤2、校正雾图的颜色，获得颜色平衡雾图，

颜色校正模块用于提取鲁棒的光照相关特征，估计出准确的光照颜色，通过按比例缩放雾图的像素值从而恢复雾图的颜色平衡；

步骤3、获取雾残差图，

将雾看作雾图和无雾图像之间的残差值，其中，雾就是需要得到的雾残差图，通过引入雾残差模块来训练一个将雾图映射到雾的函数，得到雾残差图；

步骤4、计算无雾图像，

将步骤3获得的雾残差图从步骤2获得的颜色平衡雾图中分离出去，得到最终的无雾图像；

步骤5、计算无雾图像和数据集中对应的标签图像之间的均方误差损失函数和总变差损失函数，更新图像去雾模型。