[发明专利]一种基于卷积神经网络的图像去雾方法

摘要

本发明涉及一种基于卷积神经网络的图像去雾方法；S1、获取多个无雾图像，利用大气散射模型为每一无雾图像合成不同浓度的有雾图像；S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的包括五个卷积层的卷积神经网络，重复迭代并更新网络权重比，直至迭代次数达到预设值，并利用最后一次更新的网络权重比获取去雾神经网络模型；S3、将待除雾的图像输入至去雾神经网络模型，获取除雾图像；本发明算法避免了传统算法大气散射模型逆推除雾，减小了中间误差，其次采用深度学习的算法，利用去雾卷积神经网络自动特征学习直接恢复出无雾图像，提升了去雾的普适性。

主权项

1.一种基于卷积神经网络的图像去雾方法，其特征在于，包括：S1、获取多个无雾图像，利用大气散射模型为每一无雾图像合成不同浓度的有雾图像；S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的卷积神经网络获取去雾神经网络模型；S3、将待除雾的图像输入至所述去雾神经网络模型，获取除雾图像；其中，在步骤S2中所述预先构建的卷积神经网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，且每一卷积层后均设置有一个激活层；将步骤S1中合成的不同浓度的有雾图像作为预先构建的卷积神经网络的输入图像，所述输入图像通过所述第一卷积层后生成第一特征图，所述第一特征图通过所述第二卷积层后生成第二特征图，将所述第一特征图和所述第二特征图进行拼接获取第一拼接特征图，所述第一拼接特征图通过所述第三卷积层后生成第三特征图，将所述第三特征图和所述第二特征图进行拼接获取第二拼接特征图，所述第二拼接特征图通过所述第四卷积层后生成第四特征图，将所述第一特征图、第二特征图、第三特征图和第四特征图进行拼接得到第三拼接特征图，所述第三拼接特征图通过所述第五卷积层生成第五特征图，将所述第五特征图与输入图像相乘并与第五特征图相加作为预先构建的卷积神经网络的输出图像，重复迭代并更新网络权重比，直至迭代次数达到预设值，并利用最后一次更新的网络权重比获取去雾神经网络模型。