[发明专利]一种基于神经网络的图像雾浓度估计方法、系统和终端

说明书

本发明提供一种基于神经网络的图像雾浓度估计方法、系统和终端，方法包括：采用卷积神经网络自动提取待测图像的特征；将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射；计算映射后的所述特征中的最大值和平均值，并将两者进行融合；对于融合后的特征进行激活；对激活得到的特征取平均，得到的结果为最后整幅图像的雾浓度。所述系统包括特征提取模块、特征映射模块、局部统计值集散模块和最大值均值融合模块。本发明能很好的预测雾浓度的大小，并且与人类的主观评价高度一致，可以对任意大小的雾图像进行雾浓度的估计。

技术领域

本发明涉及图像处理技术领域，具体地，涉及一种基于神经网络的图像雾浓度估计方法和系统、终端。

背景技术

随着机器学习、神经网络的发展，越来越多的基于计算机视觉技术的应用被应用于生活的方方面面，比如交通监控系统、自动驾驶系统、导航机器人。然而，这些系统都假定其输入的图像或视频为晴朗天气下的高质量图像。但是，天气因素是一个必须考虑的因素，因为天气情况将不同程度地影响图像的质量和可用性。比如在雾霾天气下，摄像机拍摄而得的图像必将呈现出灰蒙蒙的视觉感受，而后端的感知类技术势必将受到其影响而降低整个系统的准确率和鲁棒性。因此，很多学者和专家提出了许多与天气有关的图像处理技术和图像识别技术。比如图像中的天气分类、恶劣环境下的目标识别(如雾天气)。

雾浓度大小评估在这些计算机视觉系统中十分关键，其衡量了图像的清晰度。雾浓度的大小程度为系统的决策层面提供重要的参考。

目前，在图像雾浓度估计领域，要做到精确地预测单幅图像的雾浓度大小，仍然是一个很大的挑战。因为雾的形成受图像深度的影响而影响，并且单幅图像往往缺少对应地无雾图像作为参考。大多数的方法借助不同的先验知识，比如Hauti′ere等人借助汽车的车载相机估计图像中的深度从而预测雾浓度大小。首次单幅图像雾浓度预测技术被Choi等人提出。他们采用了人工提取的图像特征用于回归雾浓度大小。虽然他们的技术无需任何先验知识，取得了不错的结果，但是他们仍然采用了繁琐的手动提取特征方法，其与人类判断的真实浓度的相关系数仍然有待提升。

发明内容

针对以上现有技术的不足，本发明的目的是提供一种基于神经网络的图像雾浓度估计方法和系统、终端。

根据本发明的第一方面，提供一种基于神经网络的图像雾浓度估计方法，包括：

采用卷积神经网络自动提取待测图像的特征；

将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射；

计算映射后的所述特征中的最大值和平均值，并将两者进行融合；

对于融合后的特征进行激活；

对激活得到的特征取平均，得到的结果为最后整幅图像的雾浓度。

可选地，所述采用卷积神经网络自动提取待测图像的特征，包括：

所述卷积神经网络以自动学习的方式提取图像特征，其中使用5×5、1×1卷积核相连接，用于提取雾相关特征具体公式如下：

i,j＝1,2,…24, (5)

其中，I是输入的雾图像,w₁、w₂，b₁、b₂是待学习卷积核参数，w₁为5×5大小的卷积核，w₂为1×1大小的卷积核，为提取的特征，h是中间特征，b₁,b₂是偏置，i,j是索引。

可选地，所述将提取的待测图像的特征采用最大池化层与卷积层进行特征映射，其公式如下：