[发明专利]基于深度学习的双监督图像去雾方法、系统、介质和设备

说明书

本发明公开了一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备，该方法步骤为：获取有雾图像、标签无雾图像；构建神经网络系统；训练神经网络系统；有雾图像输入到神经网络系统得到第一传输图，有雾图像经图像恢复算法后得第二传输图；第一、第二传输图进行均方差计算得到损失函数L_t；第一传输图进行大气散射模型逆运算，得到去雾图像；去雾图像与标签无雾图像对比得到损失函数L_d；L_t和L_d按设定的比例结合得到L_total；有雾图像输入到训练好的神经网络系统得到去雾图像；该系统包括有雾、无雾图像样本获取模块、神经网络系统构建模块和神经网络系统训练模块，本发明的网络参数量级小，训练时间少，能避免主观设定，增强去雾效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备。

背景技术

随着环境污染的加剧，雾霾天气越发频繁。由于受到空气中的悬浮粒子(如雾、霾等)的散射作用，恶劣天气不仅导致能见度低，而且在雾霾天气下拍摄的图像，往往有对比度低，色彩偏移，视觉效果差等退化问题。大多数的室外视觉系统都需要清晰准确地提取图像特征，图像质量的降低将会影响后续计算机视觉任务的有效性。

在早期的研究中，是采用基于图像增强的方法，仅仅提高了雾霾图像的对比度，而不考虑物理模型。目前主流的去雾算法，是基于雾霾图片成像模型的图像恢复算法。近年来的霾图像恢复算法都是基于大气散射模型的图像恢复算法。利用成像设备获取数据，对大气散射模型参数进行估计，从而恢复出无雾的图像。大气散射模型描述为：I(x)＝t(x)J(x)+A(1-t(x))；其中I是有雾图像的颜色值，J是场景无雾情况下的颜色值，A是大气光强，而t是场景色彩在各个区通过程度的描述，称作传输图。去雾方法的本质，就是从I获取J、A和t，其中t的求取尤为重要。基于图像恢复的手段进行图像处理时，若不使用外借设备测出图像景深，则需要利用暗通道先验或者色彩衰退先验等方法估计图像景深，但是这些先验知识是一种基于常规情况的假设，若要处理不符合假设条件的雾霾图像时，则会影响去雾效果。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于深度学习的双监督轻量级图像去雾方法，通过自主地学习数据集的统计规律，减少了人为主观因素的干预，从而通过训练模型实现单幅图像去雾。

本发明的第二目的在提供一种基于深度学习的双监督轻量级图像去雾系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于深度学习的双监督图像去雾方法，包括下述步骤：

S1：获取有雾图像、标签无雾图像；

S2：构建神经网络系统，具体为：

S21：通过下采样提取图像主要特征并缩小图片尺寸；

S22：采用编码-解码网络结构及零填充提取不同层次的特征，输出特征图；

S23：采用上采样将输出的特征图恢复到原始尺寸；

S3：训练神经网络系统，具体为：

S31：有雾图像输入到构建的神经网络系统得到第一传输图，有雾图像采用图像恢复算法得到第二传输图；

S32：第一传输图和第二传输图进行均方差计算，得到传输图的损失函数L_t；

S33：第一传输图输入到大气散射模型进行逆运算，得到去雾图像；