[发明专利]一种基于渐进式导向强监督神经网络的图像去雾方法

说明书

本发明公开了一种基于渐进式导向强监督神经网络的图像去雾方法，包括步骤：构建端到端的卷积神经网络，该网络输入为原始的有雾RGB图像，输出为清晰的RGB图像；卷积神经网络由3个相同结构的去雾模块首尾相连，上一个去雾模块的输出作为下一个去雾模块的输入；每个去雾模块由1个神经网络块和1个导向滤波层组成；在每个去雾模块中，神经网络块对图像进行去雾处理，得到3通道的RGB输出，导向滤波层以原始有雾RGB图像作为指导，对当前去雾模块中神经网络块的3通道RGB输出进行图像边缘锐化处理。本发明构建的卷积神经网络在基于训练数据进行学习重建后，在实际进行应用时，可直接将有雾的RGB图像输入到网络中，进而得到清晰度更好、质量更高的无雾图像。

技术领域

本发明涉及深度学习与计算机视觉领域，具体涉及一种基于渐进式导向强监督神经网络的图像去雾方法。

背景技术

雾是一种常见的大气现象，空气中悬浮的水滴、灰尘、细沙或者其他颗粒等会引起图像成像质量的下降。在雾天的成像过程中，远处物体的反射光无法穿透过稠密大气达到摄像头，大气散射导致图像对比度和饱和度损失。有雾的图像会严重影响到自动驾驶、卫星图像语义分割等高层次的计算机视觉任务的工作，图像去雾已经成为深度学习与计算机视觉领域的研究重点和热点。

近十几年，计算机视觉技术高速发展，期间出现多种图像去雾方法，图像去雾方法主要分两大类：基于手工先验的传统方法和基于深度学习的方法。基于手工先验的传统方法从有雾和无雾的图像数据集中分析总结图像先验知识，构建手工特征，主要以构建基于大气光模型的投射图为主，使用基于图像直方图、对比度和饱和度等方法。随着深度学习技术的发展，出现很多基于深度学习的去雾方法，深度学习方法主要使用卷积神经网络来代替手工提取特征的过程，借助于机器的强大算力，基于深度学习方法的去雾效果较先前的传统方法有很大的改进。

目前大多数图像去雾方法有着明显的局限性，对图像的去雾质量还有待提高，由于图像中雾的浓度在不同的区域是不一样的，对于图像中不同的区域，应该使用不同的去雾模块来分别进行去雾处理。因此，研究一种能够克服上述缺陷的去雾方法具有重要的研究意义和实用价值。

发明内容

为了克服现有图像去雾方法存在的缺点和不足，本发明提供一种基于渐进式导向强监督神经网络的图像去雾方法，该方法采用渐进式导向强监督来逐步去雾，得到清晰度更好、质量更高的无雾图像。

本发明的目的通过以下的技术方案实现：一种基于渐进式导向强监督神经网络的图像去雾方法，包括如下：

构建端到端的卷积神经网络，该网络输入为原始的有雾RGB图像，输出为清晰的RGB图像；所述卷积神经网络由3个相同结构的去雾模块首尾相连，上一个去雾模块的输出作为下一个去雾模块的输入；每个去雾模块均由1个神经网络块和1个导向滤波层组成；

在每个去雾模块中，神经网络块对输入当前去雾模块的图像进行去雾处理，得到3通道的RGB输出，导向滤波层的输入为原始的有雾RGB图像和当前去雾模块中神经网络块的RGB输出，导向滤波层以原始有雾RGB图像作为指导，对当前去雾模块中神经网络块的3通道RGB输出进行图像边缘锐化处理。

本发明构建的卷积神经网络在基于训练数据进行学习重建后，在实际进行应用时，可直接将有雾的RGB图像输入到网络中，进而得到清晰度更好、质量更高的无雾图像。

优选地，所述神经网络块对输入当前去雾模块的图像进行去雾处理，方法为：