[发明专利]基于区域划分及浓雾预处理的卷积神经网络去雾方法

摘要

本发明涉及一种基于区域划分及浓雾预处理的卷积神经网络去雾算法，步骤如下：将有雾图像划分成不重叠的图像块；对于每个图像块，计算其暗通道值Di；区分浓雾图像块和薄雾图像块；分别估算透射率；对Pi进行去雾，得到无雾图像块。

主权项

一种基于区域划分及浓雾预处理的卷积神经网络去雾算法，该算法首先训练该算法首先训练卷积神经网络W1及W2。W1采用LeNet网络结构，训练步骤如下:(1)选取M个大小为r×r的无雾图像块对于每一个图像块选取透射率值对进行加雾，使得加雾后的图像块的暗通道值大于阈值T，对加雾的公式如下：Ijt(y)=Pjt(y)tjt+At(1-tjt)]]>其中，y为内任一像素点，表示在y点R、G、B颜色通道的像素值，At＝(255,255,255)T；暗通道值的计算公式如下：Djt=miny∈Ωminc∈{r,g,b}Ijtc(y)/Atc]]>其中，c为R、G、B颜色通道中的一个，表示在y点某一颜色通道的像素值，Atc表示At在同一颜色通道的像素值，Ω表示内所有像素点；(2)对进行映射，结果为公式如下：Ijtfc(y)=f(Ijtc(y))=Σk=0Kβk(Ijtc(y))k]]>其中，βk为常数，表示映射函数第k+1的系数，k∈{1,2,......,K}，为在y点某一通道的像素值；(3)将作为W1的训练数据，采用批量梯度下降算法对W1进行训练，迭代次数为N1，目标函数如下：其中，表示W1在第d次迭代，d∈{1,2,......,N1}，对的估计值；表示第d次迭代的误差的平方和；W2采用NIN网络结构，训练步骤如下:(1)任意选取L个大小为r×r的无雾图像块对于每一个图像块任意选取一个透射率值对进行加雾，使得加雾后的图像块的暗通道值小于阈值T；对加雾的公式如下：Ije(y)=Pje(y)tje+Ae(1-tje)]]>其中，表示在y点R、G、B颜色通道的像素值，Ae＝(255,255,255)T；暗通道值的计算公式如下：Dje=miny∈Ωminc∈{r,g,b}Ijec(y)/Aec]]>其中，表示在y点某一颜色通道的像素值，Aec表示Ae在同一颜色通道的像素值，Ω表示内所有像素点；(2)计算的暗通道特征图公式如下：Dmje(y)=miny′∈Ω′(y)minc∈{r,g,b}Ije(y′)/Aec]]>其中，Ω′(y)表示以y点为中心，大小为r×r的邻域，y′为该邻域内的像素点，如果Ω′(y)超出的范围，则超出的像素点不参与计算；(3)将转换到HLS颜色空间，提取器色度分量(4)将色度图暗通道特征图作为W2的训练数据，采用批量梯度下降算法对W2进行训练，迭代次数为N2，目标函数如下：其中，表示W2在第d次迭代，d∈{1,2,......,N2}，对的估计值；表示第d次迭代的误差的平方和；算法步骤如下：步骤1：将有雾图像Ih划分成N个大小为r×r的不重叠的图像块P1,P2,......,PN，设Ih去雾后的结果为Jf，A＝(255,255,255)T；步骤2：对于每个图像块Pi，计算Pi的暗通道值Di，公式如下：Di=miny∈Ωminc∈{r,g,b}Pic(y)/Ac]]>其中，Ω表示Pi内所有像素点，为Pi在y点某一颜色通道的像素值，Ac为A在同一通道的像素值；步骤3：如果Di≥T，则认为Pi为浓雾图像块，转至步骤4；否则，判定Pi为薄雾图像块，转至步骤6；步骤4：对Pi进行映射，结果为公式如下：Pifc(y)=f(Pic(y))=Σk=0Kβk(Pic(y))k]]>其中，表示在y点某一颜色通道的像素值；步骤5：将输入W1中，估计透射率ti；步骤6：计算Pi的暗通道特征图Dmi，计算公式如下：Dmi(y)=miny′∈Ω′(y)minc∈{r,g,b}Pic(y′)/Ac]]>如果Ω′(y)超出Pi的范围，则超出的像素点不参与计算；步骤7：将有Pi转换到HLS颜色空间，提取色度分量Hi；步骤8：将Dmi及Hi输入到W2中，估计透射率ti；步骤9：利用步骤5或8中得到的透射率ti，对Pi进行去雾，得到无雾图像块步骤10：将赋值给Jf中对应Pi位置的图像块