[发明专利]一种基于卷积神经网络的图像去雾方法

权利要求书

1.一种基于卷积神经网络的图像去雾方法，其特征在于，包括以下步骤：

S1、将待处理的有雾图输入到预训练好的透射率估计模型中，得到透射率图；

S2、根据所得透射率图和预设的透射率阈值，得到有雾图的薄雾区域掩码图和浓雾区域掩码图；

S3、根据薄雾区域掩码图和浓雾区域掩码图将待去雾的有雾图分割为薄雾图和浓雾图；

S4、将所得薄雾图和浓雾图同时输入到预训练好的去雾模型进行去雾，得到无雾图；

所述去雾模型包含并行的两个卷积神经网络，分别记为去薄雾网络和去浓雾网络，薄雾图和浓雾图同时分别输入到所述去薄雾网络和所述去浓雾网络中，所述去薄雾网络和所述去浓雾网络的输出在所述去雾模型中进行叠加后，得到所述去雾模型的输出，即无雾图。

2.根据权利要求1所述的基于卷积神经网络的图像去雾方法，其特征在于，所述透射率估计模型的损失函数L_trans为：

其中，T(I)为透射率估计模型函数的输出，I为有雾图，t为目标透射率图，w、h、c分别为有雾图的长度、宽度、通道数，V(·)为VGG-19网络中Pool-4层输出的特征图，w'、h'、c'分别为特征图的长度、宽度、通道数，σ为比例系数。

3.根据权利要求1所述的基于卷积神经网络的图像去雾方法，其特征在于，将雾图作为第一训练集的样本，雾图所对应的透射率图作为第一训练集样本标签，输入到卷积神经网络进行训练，得到预训练好的透射率估计模型。

4.根据权利要求1所述的基于卷积神经网络的图像去雾方法，其特征在于，通过比较透射率图中的像素值与预设的透射率阈值的大小，来确定薄雾区域掩码图ML和浓雾区域掩码图MD，表示如下：

其中，ML(x,y)为有雾图中第x行第y列的像素所对应的薄雾区域掩码值，MD为浓雾区域掩码，MD(x,y)为有雾图中第x行第y列的像素所对应的浓雾区域掩码值，T(x,y)为透射率图中第x行第y列的像素值，w为预设的透射率阈值。

5.根据权利要求1所述的基于卷积神经网络的图像去雾方法，其特征在于，将有雾图与薄雾区域掩码图的各像素点分别相乘，得到薄雾图，将有雾图与浓雾区域掩码图的各像素点分别相乘，得到浓雾图。

6.根据权利要求1-5任意一项所述的基于卷积神经网络的图像去雾方法，其特征在于，所述去雾模型的损失函数L_dehaze为：

其中，D_S(I_S)为去雾模型中薄雾网络的输出，D_B(I_B))为去雾模型中浓雾网络的输出，I_S为薄雾图，I_B为浓雾图，C为目标无雾图，w、h、c分别为薄雾图和浓雾图的长度、宽度、通道数，V(·)为VGG-19网络中Pool-4层的输出的特征图，w'、h'、c'分别为特征图的长度、宽度、通道数，σ为比例系数。

7.根据权利要求1-5任意一项所述的基于卷积神经网络的图像去雾方法，其特征在于，对雾图进行分割得到薄雾图和浓雾图，将薄雾图作为第二训练集的样本，雾图对应的清晰图像作为第二训练集样本标签，将浓雾图作为第三训练集的样本，雾图对应的清晰图像作为第三训练集样本标签，同时分别将第二训练集和第三训练集输入到的去雾模型的去薄雾网络和去浓雾网络中进行训练，得到预训练好的去雾模型。