[发明专利]一种基于衍生图融合策略的图像去雾方法

说明书

本发明公开了一种基于衍生图融合策略的图像去雾方法，包括以下几个步骤：步骤A：基于大量原始有雾图像及其对应的无雾图像，构建样本集；步骤B：分别从五个角度提取原始有雾图像的衍生图以增强去雾方法对图像远景和近景的细节恢复，消除色偏与增强对比度；步骤C：搭建U型卷积神经网络；步骤D：级联步骤A获取的衍生图和原始有雾图像作为输入，无雾图像作为输出训练由步骤C搭建的网络；步骤E：使用步骤D训练得到的网络，级联原始有雾图像和雾图对应的衍生图作为输入预测去雾后的无雾图像。本发明去雾效果好。

技术领域

本发明属于图像信息处理领域，具体涉及一种基于衍生图融合策略的图像去雾方法。

背景技术

图像去雾旨在恢复场景的细节并从给定的模糊图像估计未知的无雾图像。在许多情况下需要使用去雾算法，例如日常摄影，自动监测系统，卫星遥感，室外物体识别和低能见度环境中的视觉导航等。但是，在雾霾等恶劣天气条件下拍摄的图像质量易受到雾气的干扰，使得所拍图像对比度降低并且颜色衰退严重。这种雾天图像通常缺乏视觉生动性与清晰度。因此，不仅在日常摄影中而且在许多计算机视觉应用中都迫切需要图像去雾技术。

目前已有的去雾工作主要集中于利用雾气相关先验知识或者假设预测原始有雾图像的透射图和大气光值然后采用大气散射模型计算出去雾后的图像。例如，He[载于IEEEtransactions on pattern analysis and machine intelligence，2001年]提出一种暗通道的先验假设，该假设来自于一项观察：在大多数无雾的图像中至少有一个通道的像素值是非常低的。依据这一假设可以方便的计算出透射图，进而依据大气散射模型计算出去雾后的结果。尽管He方法能够在大多数情况下取得较好的去雾效果，但是该方法对于天空区域处理的不是很好，且该方法容易引起对比度过增强的效果。近些年，也有学者[载于IEEETransactions on Image Processing， 2016年]提出采用深度学习方法去预测透射图，然后通过大气散射模型计算去雾后的图像，但是采用深度学习预测透射图的方法也会造成透射图预测不准确的问题。

在专利方面，陈玉明等人专利公开号为CN108921805A的专利申请提出了一种图像及视频去雾的方法。该方法对原始有雾图像划分若干大小相等的矩形子块，引入自适应度因子和邻域暗通道池化操作以计算出透射图，进而根据大气散射模型计算出无雾图像。黄红兵等人专利公开号为CN109146810A的专利申请提出了一种基于端到端深度学习的图像去雾方法。该方法采用深度去雾网络，直接根据雾图，预测出透射图和大气值，再根据大气散射模型计算无雾图像。

上述方法都依赖于对透射图和大气光值的预测，因此透射图或大气值预测的不准确都将导致去雾不彻底或者局部色偏的问题。

在此背景下，研究一种鲁棒性强，能有效去除各种场景各种雾气浓度的图像去雾方法显得尤为重要。

发明内容

本发明所要解决的问题是，针对已有去雾方法依赖透射图和大气值预测的机制，存在去雾不彻底，局部色偏等问题，提供一种基于衍生图融合策略的图像去雾方法，能够有效通过去雾网络融合多角度提取有雾图像的衍生图，从而实现图像去雾，对各种场景各种雾气浓度的图像均有很好的去雾效果。

本发明所采用的技术方案如下：

一种基于衍生图融合策略的图像去雾方法，包括以下步骤：

步骤A：以大量原始有雾图像及其对应的无雾图像构建样本集；

步骤B：分别从多个角度提取原始有雾图像的衍生图，以增强去雾方法对图像远景和近景的细节恢复，消除色偏与增强对比度；

步骤C：搭建基于卷积神经网络的去雾网络；

步骤D：对每组样本，以其步骤B获取的所有衍生图和原始有雾图像的级联结果作为输入，以其无雾图像作为输出，训练由步骤C搭建的去雾网络；