[发明专利]一种基于卷积神经网络的图像去雾方法

说明书

本发明公开了一种基于卷积神经网络的图像去雾方法，包括以下步骤：S1、将待去雾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。通过估计雾图的透射率图，将有雾图像分为薄雾区域和浓雾区域，同时分别输入到去雾模型中的去薄雾网络和去浓雾网络中，对不同浓度的区域采用不同的参数进行处理，所得结果在去雾模型中进行像素级的合并，得到完整清晰的去雾图，去雾效果较好。

技术领域

本发明属于图像处理技术与深度学习技术领域，更具体地，涉及一种基于卷积神经网络的图像去雾方法。

背景技术

单图像去雾是一种具有挑战性的欠适定图像复原问题。雾天条件下采集到的图像容易出现颜色失真与偏移、动态压缩范围小、对比度低等问题，既达不到需要的视觉效果，也给目标检测及识别增加难度。

现有的图像去雾的方法主要分为：基于先验知识的去雾算法和基于学习的去雾算法。其中，基于先验的去雾算法需手工设计图像特征，算法的性能取决于先验知识的准确性，因此泛化能力较差。基于学习的去雾算法根据是否采用大气散射模型设计网络结构分为两类，采用大气散射模型设计网络结构的方法分别估计雾图的透射率图和大气光值，然后根据大气散射模型恢复清晰图。该方法存在两个局限性，一是透射率图及大气光值等估计不准确，二是大气散射模型的线性结构不足以模拟复杂的成雾机制，从而影响雾图的去雾效果和图像清晰度。不采用大气散射模型设计网络结构的方法直接从雾图恢复清晰图，通过网络学习从雾图到清晰图的复杂变换函数。但是由于缺乏物理模型的限制，再加上卷积神经网络参数共享的性质，使得雾图中不同雾浓度的区域采用相同的参数，导致去雾后图像局部偏暗或亮度过高，去雾不彻底。

综上所述，提出一种去雾效果较好的图像去雾方法是亟待解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络的图像去雾方法，旨在解决现有技术由于对雾图中不同雾浓度的区域采用相同的参数进行去雾而导致的去雾效果较差的问题。

为实现上述目的，按照本发明提供了一种基于卷积神经网络的图像去雾方法，包括以下步骤：

S1、将待去雾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。

通过上述方法对有雾图像中不同浓度的区域采用不同的网络同时进行去雾，避免了整体去雾造成的颜色失真和亮度的过高或过低，复原了更多的细节信息，去雾效果较好。

进一步优选地，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。该损失函数可以能更好的恢复图像的边缘信息。

进一步优选地，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。

进一步优选地，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：