[发明专利]基于无监督权重深度模型的偏振图像去雾方法及装置

说明书

本发明公开了一种基于无监督权重深度模型的偏振图像去雾方法及装置，涉及图像去雾处理领域，以解纠缠的表示学习思想为起点，根据stokes理论，直接解算光波的偏振信息，将第一图像与第二图像直接输入无监督权重深度模型，依次经过编码层、融合层和解码层，输出得到去雾后的偏振图像，在模型训练方法上，通过在权重测量层内设计两个权重，从而考虑了不同模态信息的保留方式，将两个权重计入损失函数中对无监督权重深度模型进行训练，最终实现远距离场景去雾。采用分焦平面型偏振成像系统采集不同雾霾条件下的偏振图像，通过无监督权重深度模型进行偏振去雾处理，以解决目前图像去雾时对远距离场景去雾效果不佳的问题。

技术领域

本发明涉及图像去雾处理领域，具体涉及一种基于无监督权重深度模型的偏振图像去雾方法及装置。

背景技术

由于雾霾以及大气污染等因素，图像去雾是计算机视觉领域的一个具有挑战性的课题，如目标检测与识别，视觉导航，自动驾驶等。学者们提出了许多方法来克服雾霾造成的图像退化。Schechner等人首次系统的证明，可以通过偏振成像来提高在低能见度天气下拍摄的图像的质量。其中大气退化模型更是广泛用于描述雾霾图像的形成。针对去雾问题开发的方法主要分为基于先验的方法、基于融合的方法和基于学习的方法。

1)基于先验的方法：

这些方法也称为手工制作的去雾方法，例如暗通道先验、颜色衰减先验、固有边界约束、局部平滑先验、雾线先验等，它们都基于大气退化模型。尽管这些方法具有显著的去雾性能，由于假设是预先确定的，因此在某些情况下难以实现良好的性能。例如，假设在暗通道中，除天空区域外，清晰图像的至少一个颜色通道具有一些强度非常低甚至接近零的像素。当场景对象类似于大气光(例如天空或白色建筑物)时，该方法就会出现透射函数过度估计的问题。

2)基于融合的方法：

这些方法的特点是在不使用大气退化模型的情况下恢复雾图像。Galdran引入了一种人工多曝光图像融合策略来恢复雾霾图像。首先从原始雾霾图像中获得多个过度曝光的图像，然后使用拉普拉斯金字塔分解方法将这些图像合并为无雾霾结果。高等提出了一种基于尺度不变特征变换流的自构造图像融合方法来恢复单个雾图像。Li等提出通过拉普拉斯金字塔将雾霾和无雾图像分解为多个尺度，利用高斯金字塔将传输图分解为多个尺度，建立了一种新的多尺度模糊图像模型。利用图像中的分层搜索方法估计全局大气光，通过估计传输映射，采用不同的降噪方法来恢复金字塔不同级别的场景辐射。最终折叠生成的金字塔以恢复去雾图像。但是融合生成的图像都不能很好地反映场景的深度信息，导致在存在严重烟雾的情况下，图像的去雾效果较差。

3)基于学习的方法：

最近，基于学习的去雾方法受到了广泛关注。Cai等首先提出通过卷积神经网络估计透射图，然后通过基于先验的方法估计大气光，以利用大气退化模型恢复清晰图像。Li等使用cGAN或基于编码器-解码器结构的网络直接恢复图像。然而，基于学习的方法是数据驱动的。这些方法的训练数据几乎总是依赖于合成的雾图像，场景发生变化时，去雾效果往往会出现失真，尤其是真实的雾图像。

现有的图像去雾深度模型采用无雾图像与合成雾霾图像对进行网络训练，同时深度网络很少考虑了不同模态信息的保留方式，往往采用相同的网络结构提取图像特征，并且强度图像对环境的依赖性较强，若出现烟尘环境、低能见度(如雾霾天气、水体环境)状况，则会带来低信噪比情形下的光学观测困难，可应用场景有限。

发明内容

针对上述提到的目前图像去雾时对远距离场景去雾效果不佳等问题。本发明的目的在于提出了一种基于无监督权重深度模型的偏振图像去雾方法及装置，来解决以上背景技术部分提到的技术问题。

第一方面，本发明提供了一种基于无监督权重深度模型的偏振图像去雾方法，包括以下步骤：

获取微偏振阵列图像，根据微偏振阵列图像得到第一图像和第二图像；