[发明专利]一种基于混合先验学习模型的去雾方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于混合先验学习模型的去雾方法。

背景技术

众所周知，雾和霾是一种常见的天气现象，一年四季都会存在，近年来，雾霾天气频现于我国中东部的大部分城市，不仅严重影响民众的身心健康，而且严重威胁人们的出行安全。而凝结在空气中的小水晶或固体颗粒是形成雾气的根本原因，在有雾天气下拍摄的图像，由于大气中空气中的小水晶或固体颗粒对光的吸收和散射影响严重，使光强度衰减，从而使得光学传感器接收到的光发生了改变，直接导致图像对比度降低，模糊不清，清晰度不够，图像细节信息不明显，许多特征被覆盖或模糊，信息的可辨识度大大降低。同时，色彩保真度下降，出现严重的颜色偏移与失真，达不到满意的视觉效果。上述视觉效果不佳的图像部分信息缺失，给判定目标带来了一定的困难，这不仅大大降低了图像的能见度和清晰度，丢失了图像细节内容等有用信息，而且给后续的图像处理带来了困难，甚至会导致现有的视频监控，目标跟踪、智能导航等户外图像处理系统失效，给人们的日常生产和生活等方方面面都带来了相当不利的影响。所以，研究图像去雾算法，获得清晰自然的无雾图像，不仅能够满足于军事、生产等领域的应用需求，也可以降低雾、霾对人类日常生活的不利影响，具有十分重要的现实意义。

到目前为止，图像去雾大多是基于物理模型与非物理模型的去雾方法。基于非物理模型的图像去雾方法是在图像衰退原因未知的情况下突出图像中的有用信息，来改善图像视觉效果的方法。顾名思义，基于非物理模型的图像去雾方法可以忽略图像衰退的原因及模型，只需要根据实际应用的需要，突出图像中感兴趣的部分，并将无用的信息去除。基于物理模型的图像去雾算法分为：利用辅助信息获得景深的去雾算法、基于先验条件的去雾算法。不管是利用辅助信息获得景深的去雾算法、基于先验条件的去雾算法，他们都需要借助于大气光散射模型来求解透射率图。不管是基于物理模型与非物理模型的去雾方法，他们都存在着自身的局限性，基于暗通道先验的方法对天空区域或浓度过高雾区域失效，基于对比度增强的方法会使得去雾结果出现颜色偏差等等。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于混合先验学习模型的去雾方法，能够弥补当前去雾方法对天空区域或浓度过高雾区域失效与颜色偏差等缺陷。本发明抛开传统的思路，并没有去寻找额外的先验信息，而是利用已有方法中的先验信息来建立混合先验信息与透射率的一个映射关系，从而利用有雾图的混合先验信息来预测得到图像的大气透射率值，从而达到去雾的目的。

为了解决上述问题，本发明提出了一种基于混合先验学习模型的去雾方法，所述方法包括：

利用人工合成的有雾图数据集来建立透射率预测模型；

输入待处理的有雾图，提取该有雾图中的混合先验信息；

利用待处理的有雾图中的混合先验信息与透射率预测模型，预测待处理的有雾图的透射率值；

将待处理的有雾图的透射率值代入到大气光散射模型中，获得去雾结果。

优选地，所述利用人工合成的有雾图数据集来建立透射率预测模型的步骤，具体为：

利用合成的有雾图数据集中的每个有雾图的混合先验信息与对应的透射率，通过深度学习训练得到透射率预测模型。

优选地，所述提取该有雾图中的混合先验信息的步骤，包括：

计算相应的暗通道先验信息，局部最大饱和度先验信息，局部最大对比度先验信息以及色调反转先验信息。

在本发明实施例中，采用人工合成的有雾图数据集来建立透射率预测模型，提取待处理的有雾图中的先验信息并利用透射率预测模型预测待处理的有雾图的透射率值，最后将透射率值代入到大气光散射模型中得到去雾结果，能够弥补当前去雾方法对天空区域或浓度过高雾区域失效与颜色偏差等缺陷。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的基于混合先验学习模型的去雾方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。