[发明专利]基于多尺度卷积的轻量级神经网络单图像去雾方法

说明书

本发明公开了一种基于多尺度卷积的轻量级神经网络单图像去雾方法，包括以下步骤：(1)将数据集划分为训练集、验证集和测试集；(2)利用训练集和验证集训练提出的网络模型；(3)利用测试集测试训练好的模型；(4)采用度量标准对模型进行评估。上述技术方案，本发明专门设计了一个多尺度去雾模块，用于提取各尺度下的图片信息，这对最后的去雾结果有重要影响；在充分考虑各尺度信息的情况下尽量减少模型参数，压缩模型大小，进而降低模型的计算复杂度；实现峰值信噪比更高的去雾效果，同时不用估计透射率和全球大气光的单张图片去雾。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于多尺度卷积的轻量级神经网络单图像去雾方法。

背景技术

雾作为一种自然现象长久以来不仅影响人们的视觉体验，同时捕获的雾图不利于图像的进一步处理，严重影响了图像处理领域其他应用的进一步发展，例如：图像分类、目标跟踪等；在雾环境下捕获的图片通常会遭受低对比度、晕面以及颜色偏移等问题，正是这些现象限制了图片的能见度。此外，在计算机视觉领域，很多计算机视觉和图像处理算法对含雾图像并不鲁棒，雾的存在阻碍了对图片的进一步处理。不管是出于改善人们的视觉体验，还是推动计算机视觉领域相关应用的发展，去雾都非常重要并且必要，有非常重要的科学意义和应用前景。

去雾的研究由来已久，雾图的成像模型早在1924年已经提出，

I＝Jt+A(1-t)

t(x)＝e^βd(x)

其中，I为观察到的雾图，J为待恢复的清晰图像，t和A分别是空气透射率和全球大气光，d是成像的深度。

但该模型是一个严重不适定问题，为了获得足够的信息以求解这个模型，在08年以前去雾方法都集中在多张图片去雾，直到在08年Fattal和Tan分别提出了两种不同的单张图片的去雾方法。在这一里程碑的工作之后单张图片去雾一直都占据主流。在09年，何凯明博士提出了基于暗通道先验(DCP，Dark Channel Prior)的去雾方法，该先验通过统计结果得出，在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。这一开创性的工作被证明非常有效，并且触发了基于DCP的一系列改进方法，例如引入中值滤波，双边滤波以及导向滤波对透射率t加以改进。且此后不断有新的先验被提出，如颜色衰减先验(CAP,Color Attenuation Prior，在有雾图片中，雾浓度和图片亮度与饱和度之差呈正相关)，色差差异先验，color-line(颜色线),haze-line(雾线)先验等，haze-line(雾线)先验是第一个采用全局先验去雾的方法。也有学者提出将多个先验组合起来用随机森林回归来确定个先验特征的关系。在12年，马尔可夫随机域也被引入来获得更精确的清晰图像。最近，有学者提出了一种基于感知雾密度的去雾方法，该方法在最小化感知雾密度的导引下建立模型进行去雾。

以上的方法有的已经取得了一定的结果，但他们在不同程度上存在过增强、过饱和或者边缘效应，块效应等缺点，所以仍需要更好更高效的方法对去雾方法加以补充。