[发明专利]基于Retinex理论的端到端网络的图像去雾方法

说明书

本发明公开了一种基于Retinex理论的端到端网络的图像去雾方法，主要是首先建立去雾网络，然后，将Retinex模型嵌入去雾网络中实现端到端的学习，从有雾图像中提取特征信息来估计亮度图和反射图，进而根据Retinex模型恢复出清晰图像。利用本发明中的网络可以联合估计图像的亮度图和反射图，然后依据Retinex模型来恢复无雾图像。本发明提出的去雾网络不依赖于大气散射模型，从而避免了不准确的传输图估计导致的去雾后图像质量下降的问题，并且Retinex理论是一种基于人类视觉的颜色感知模型，该网络通过估计亮度图和反射图来恢复无雾图像，更符合人眼的视觉规律，使得恢复的无雾图像更加清晰自然。

技术领域

本发明属计算机图像处理方法，尤其涉及一种图像的去雾方法。

背景技术

在雾、霾等天气条件下拍摄的户外图像，由于受到大气悬浮粒子的吸收和散射等干扰，会产生对比度下降、细节模糊、颜色失真等退化现象，严重影响户外视频监控、目标识别等视觉系统的性能。因此，图像去雾在计算机视觉应用和数字图像处理领域尤为重要。

随着卷积神经网络(CNN)在计算机视觉任务中的广泛应用，基于深度学习的方法成为图像去雾研究的主流方向。该方法直接学习有雾图像到无雾图像之间的映射关系来实现去雾，或者通过估计传输图和大气光值等参数并利用成像模型实现去雾。Qu等^[1]提出了一个增强的pix2pix去雾网络(EPDN)，该网络直接学习有雾图像和无雾图像之间的映射关系。Chen等^[2]提出一个多尺度自适应去雾网络(MADN)，该网络包括自适应蒸馏网络和多尺度增强网络，其中多尺度增强网络通过金字塔池化模块来融合信息，使恢复的无雾图像更加更加精细化。Cai等^[3]提出一个端到端的网络(DehazeNet)来估计传输图，然后依据大气散射模型恢复无雾图像。Li等^[4]重新构造了大气散射模型，将传输图和大气光值整合成一个参数K，并设计了AOD-Net来估计参数K，从而恢复无雾图像。Zhang等^[5]提出一种端到端的密集连接的金字塔网络结构(DCPDN)，通过两个子网络分别估计传输图和大气光值来实现去雾。

虽然这些方法得到了较好的去雾结果，但是方法^[1-2]直接学习有雾图像和无雾图像之间的映射关系来恢复无雾图像，缺乏理论依据，存在去雾后图像失真的现象。虽然方法^[3-5]依据大气散射模型来恢复无雾图像，但通过网络估计的传输图往往包含过多的细节信息，并且大多数方法将大气光值设置为全局一致常量，导致恢复的无雾图像质量下降。

[参考文献]

[1]Qu,Y.,Chen,Y.,Huang,J.,Xie,Y.(2019).Enhanced Pix2pix DehazingNetwork.In Proceedings of the IEEE Conference on Computer Vision and PatternRecognition(pp.8160-8168).

[2]Chen,Shuxin,et al.Multi-Scale Adaptive Dehazing Network.Proceedings of the IEEE Conference on Computer Vision and Pattern RecognitionWorkshops.2019.

[3]Kui Jia Chunmei Qing Dacheng Tao Bolun Cai,Xiangmin Xu.Dehazenet:an end-to-end system for single image haze removal.IEEE Transactions on ImageProcessing,25(11):5187–5198,2016.