[发明专利]一种基于轮廓和颜色特征融合编码的图像去雾方法

说明书

本发明提出了一种基于轮廓和颜色特征融合编码的图像去雾方法。本发明构建生成网络和判别网络，将待处理图像输入Generator‑Net，首先提取带雾图像的整体轮廓特征，在低级特征编码区提取图像颜色特征，实现轮廓特征的融合编码；在高级语义编码区，实现反向传播过程语义信息的深度解析；融合低级特征编码的输出及高级语义编码的多层输出，通过卷积神经网络进行特征解码，实现图像去雾。在网络学习过程中，将生成的去雾图像和对应的样本标签输入到Discriminator‑Net，进一步提升Generator‑Net的去雾能力。本发明有效提升去雾图像的可见度、对比度以及鲜明度，对后续图像目标的分析和理解具有重要意义。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于轮廓和颜色特征融合编码的图像去雾方法。

背景技术

雾天环境下成像的去雾处理对于图像目标分析和理解具有重要意义，一直是计算机视觉的研究热点之一。传统去雾方法主要基于大气散射模型，考虑光在传播过程中遇到雾霾等颗粒阻碍，而引起的光线散射以及传播方向的改变。虽然近年来卷积神经网络成为了研究热点，通过构建深层网络、迁移学习、训练多尺度网络模型等方式估计场景深度图，再根据估计模型反推得到去雾图像。但必须指出的是，实际上因为有雾噪声均匀弥漫在图像全局的缘故，导致图像轮廓和纹理等方向特征不明显，颜色特征相对凸显，从而在卷积神经网络的特征提取时，与轮廓纹理特征相比较，颜色特征更容易受到关注。但相关研究表明在模糊或弱视觉的场景中，视神经系统往往是先提取场景的主体轮廓，然后再融合颜色等特征实现目标感知任务。

发明内容

本发明提出了一种基于轮廓和颜色特征融合编码的图像去雾方法，构建生成网络Generator-Net和判别网络Discriminator-Net，将待处理图像输入Generator-Net，首先对输入图像做轮廓特征提取，同时在低级特征编码区提取图像颜色特征，并逐层融入轮廓特征再做编码运算；然后将低级特征编码区的编码结果在高级语义编码区进行深度编码；最后融合低级特征编码区和高级语义编码区的编码结果，进行逐层解码后生成去雾图像。在网络学习过程中，将生成的去雾图像和对应的样本标签输入到判别网络中，判断生成去雾图像的逼真程度，进一步提升Generator-Net的去雾能力。本发明包括如下步骤：

步骤1：构建生成网络Generator-Net，其中Generator-Net由轮廓特征器、低级特征编码区、高级语义编码区、特征解码区四部分组成。

由于判别网络Discriminator-Net是一个二分类网络，只能估计出生成网络Generator-Net的输出是真还是假的概率，并且转化成0或1来进行最后的判断。正因为估计成0或1存在偏差，在大量像素的累积影响下导致总体偏差过大，输出的图像将出现失真现象。因此本发明对生成网络损失函数L_G进行了改进，加入了判别纠正权重，如式(1)～(5)所示。

L_G＝10L₁+(1+λ)L_err (1)