[发明专利]一种单幅图像去雾方法

说明书

本发明一种单幅图像去雾方法属于数字图像处理技术领域；该方法首先构建去雾模块，然后构建阶梯式去雾网络结构：将有雾图像输入到去雾模块得到第一梯度去雾模块，输出为较粗糙的去雾图像，再将输入到去雾模块得到第二梯度去雾模块，得到较高质量的清晰无雾图像；最后设计深度损失函数；本发明单幅图像去雾方法，把阶梯式去雾策略跟改进的去雾模块充分结合，得到了更好的去雾效果。

技术领域

本发明一种单幅图像去雾方法属于数字图像处理技术领域。

背景技术

雾霾是由空气中的灰尘和烟雾等小的漂浮颗粒产生的常见大气现象，这些漂浮的颗粒极大地吸收了散射光，导致图像质量下降。在雾霾影响下，视频监控、远程感应、自动驾驶等许多实际应用很容易收到威胁，检测和识别等高级计算机视觉任务很难完成，因此，图像去雾成为一种越来越重要的技术。

为了消除霉霾天气对图像产生的影响，研究者提出了许多不同的方法，目前对于雾天图像的处理方法主要分为两类：雾天图像增强和雾天图像复原，其区别在于是否运用到了大气散射模型。

近年，深度学习在图像处理的领域应用越来越广泛，因此，有研究者开始考虑将其运用到图像去雾的领域上。因其可以通过学习获取图像信息，在去雾也取得了不错的效果。其中包括Cai等人提出的端到端的去雾网络Dehaze Net，Ren等人提出的一种多尺度卷积神经网络MSCNN、Zhao等人在前者的基础上提出的深度全卷积回归网络DFCRN以及Li等人通过改进大气散射模型公式提出的基于残差深度卷积神经网络的去雾网络AOD-Net。虽然以上算法都取得了不错的效果，但各自也都存在着一定的局限性。

本文基于深度学习，提出了一种多尺度卷积神经网络，通过端到端映射的方式还原出清晰图像，以达到更好的去雾效果。

发明内容

本发明要解决的技术问题是提供一种单幅图像去雾方法，结合了新的去雾策略与去雾模型，对图像去雾效果实现逐步优化，最终能够在网络的最后一个去雾模块的输出得到质量比较高的清晰无雾图像。

本发明的目的是这样实现的：

一种单幅图像去雾方法，包括如下步骤：

S1、构建去雾模块D；

S2、构建阶梯式去雾网络结构θ：将有雾图像x输入到去雾模块D得到第一梯度去雾模块D1，D1输出为较粗糙的去雾图像x1；后将x1输入到去雾模块D得到第二梯度去雾模块D2，最终D2得到较高质量的清晰无雾图像x2；

S3、设计深度损失函数L：

其中，L_n1和L_n2分别表示第n个导向滤波层前后的平均方差误差损失，α和β是一对可调整的比例参数，通过设置为不同的比例得到不同的去雾效果。

上述单幅图像去雾方法，步骤S1中，去雾模块D依次包括优化ResNet，所述ResNet为残差神经网络、轻量化U-Net，所述U-Net为U形全卷积网络、图像回归，导向滤波层以及前后监督，使得网络同时具备高性能和高效率两个特点。

所述去雾模块优化ResNet部分，由七层组成，其中第一层是卷积层，第2层、第4层和第6层为多尺度卷积层，第3层、第5层、第7层为连接层，其中所有卷积运算都使用ReLU函数作为激活函数，所述ReLU为整流线性单元，1、2、3层，3、4、5层，5、6、7层为三个CNN的构造块，所述CNN为卷积神经网络，其中每个块包含一个快捷连接和连接层，充分保留前一层生成的特征图，并将其输入下一层；该部分主要进行结构特征提取。