[发明专利]一种基于深度学习网络的矿山图像粉尘去除方法及系统

说明书

本发明提供了一种基于深度学习网络的矿山图像粉尘去除方法及系统，步骤包括：S1、对矿山图像进行多尺度特征提取，获取所述矿山图像的高级图像特征、结构特征和低级图像特征；S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理，去除所述矿山图像的粉尘信息；S3、将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理，获取融合特征，将所述融合特征进行图像还原处理，获得去除粉尘图像；S4、将所述去除粉尘图像进行分块区域处理，获得粉尘概率，进行数据处理获得端到端网络的损失值，判断损失值是否符合要求，否则要返回S1；是则获取去除粉尘成功的矿山图像。

技术领域

本发明涉及计算机视觉、图像处理技术和矿山无人驾驶领域，特别是涉及基于深度学习网络的矿山图像粉尘去除方法及系统。

背景技术

现实矿山生产环境中弥漫大量粉尘，导致成像设备所采集的数字图像存在严重失真的问题，譬如：画质不清晰，粉尘遮盖待检测物体目标等，上述问题会造成数字图像中待检测目标有效特征衰减或弱化，严重影响基于计算机视觉技术的目标监控与智能识别。现有研究基于雾与粉尘在数字图像中物理与光学特性相似性，去雾算法对粉尘环境下数字图像恢复具有借鉴意义。然而，粉尘环境下光线具有非均匀分布且局部多散射的特点，不满足使用去雾算法对光线均匀分布且单散射要求的前提条件，因此，现有的去雾算法不可直接应用于矿山粉尘环境下数字图像。

目前，端到端深度学习算法模型广泛应用于数字图像去雾研究，但该模型算法无法直接应用于矿山粉尘图像，主要表现为：其一，粉尘数字图像具有时间不连续特性，现实场景下无法准确地收集“粉尘-无粉尘”的配对标记图像数据，导致制作用于端到端模型训练的粉尘图像训练数据集难度极大；其二，粉尘数字图像具有空间不连续特性，直接使用去雾算法模型中的全局特征估计方法还原粉尘图像，导致还原后的粉尘图像不符合图像噪声特性的问题。

发明内容

本发明的目的是提出一种基于深度学习网络的矿山图像粉尘去除方法及系统，通过将图像粉尘去除的端到端模型与粉尘概率估计模型联合使用，解决了矿山图像粉尘去除问题。

为实现上述目的，本发明提供了如下方案：一种基于深度学习网络的矿山图像粉尘去除方法，步骤包括：

S1、对矿山图像进行多尺度特征提取，获取所述矿山图像的高级图像特征、结构特征和低级图像特征；

S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理，去除所述矿山图像的粉尘信息；

S3、将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理，获取融合特征，将所述融合特征进行图像恢复处理，获得去除粉尘图像；

S4、将所述去除粉尘图像进行分块区域处理，获得粉尘概率，进行数据处理获得端到端网络的损失值，判断损失值是否符合要求，否则要返回S1；是则获取去除粉尘成功的矿山图像。

可选的，S1中对矿山图像进行多尺度特征提取方法包括：采用卷积算子对所述矿山图像进行下采样处理，再进行RCF处理获取矿山图像的高级图像特征、结构特征和低级图像特征。

可选的，S2中修复处理的过程包括：对所述矿山图像的高级图像特征、结构特征和低级图像特征进行特征修复处理，产生6个残差模块，每个残差模块由3个相同残差块组成，通过残差进行修复处理获得去除所述矿山图像的粉尘信息。

可选的，所述S3中获取去除粉尘图像中的图像恢复处理包括：采用转置卷积、残差和特征融合进行图像恢复。

可选的，所述S4中分块区域处理的过程包括：将去粉尘图像进行图像缩放，将缩放后的图像进行粉尘概率估计模型推理，获得8×8的图像分块区域粉尘概率。

可选的，构建粉尘概率估计模型包括：