[发明专利]一种基于渐进特征融合的图像去雾方法及系统

说明书

本发明涉及一种基于渐进特征融合的图像去雾方法及系统。该方法包括：获取待处理的雾霾图像；利用第一深度卷积神经网络模型对所述待处理的雾霾图像进行一级去雾，得到样例图像；根据所述待处理的雾霾图像和所述样例图像，基于特征提取网络模型，采用渐进特征融合方法，得到所述待处理的雾霾图像对应的融合特征；利用第二深度卷积神经网络模型对所述融合特征进行二级去雾，得到清晰图像。本发明可以提高图像去雾的准确度。

技术领域

本发明涉及图像处理领域，特别是涉及一种基于渐进特征融合的图像去雾方法及系统。

背景技术

近年来，由于雾霾等恶劣天气的影响，相机拍得的图像质量很低，图像去雾、去雨等技术受到了更多的关注。其中，雾霾的成因主要是大气中悬浮颗粒的散射效应，可以用大气散射模型来描述：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

其中I(x)为雾霾图像，J(x)为清晰图像，t(x)为传输率，A为大气光。

获取的低质量图像，给计算机视觉研究领域带来了很大的阻力，例如目标检测，物体识别等应用中，低质量图像导致检测结果或识别结果准确度低。因此，进行图像去雾的研究是非常有必要的。

目前图像去雾的方法主要分为两类，一类是基于手工先验的方法，另一类是基于学习的方法。早期，根据大气散射模型，去雾的关键在于传输率t(x)的估计。由于只有雾霾图像I(x)是已知的，J(x)、t(x)和A均是未知的，因此从I(x)中估计传输率t(x)是一个病态问题。为了约束解空间，人们假设了各种自然图像的手工先验，其中包括暗通道先验，非局部先验等，通过这些先验的约束来求解传输率t(x)。当获得传输率t(x)之后，假设大气光A是一个全局一致的常数，最终通过大气散射模型即公式(1)求得清晰图像J(x)。但是，这类方法所假设先验并不具有普适性，当这些先验不适用时，算法就会失效。另一类基于学习的方法，通过设计合理的神经网络，从数据集中学习到数据内在分布，进而估计出传输率t(x)，或直接估计出清晰图像J(x)。

然而，以上方法依然存在诸多问题需要解决，其中，从仅有的雾霾图像I(x)中同时估计出传输率t(x)和全局大气光A，或是直接估计清晰图像J(x)都是十分病态的过程，导致图像去雾的准确度低。

发明内容

本发明的目的是提供一种基于渐进特征融合的图像去雾方法及系统，以对抗清晰图像估计过程的病态性，提高图像去雾的准确度。

为实现上述目的，本发明提供了如下方案：

一种基于渐进特征融合的图像去雾方法，包括：

获取待处理的雾霾图像；

利用第一深度卷积神经网络模型对所述待处理的雾霾图像进行一级去雾，得到样例图像；

根据所述待处理的雾霾图像和所述样例图像，基于特征提取网络模型，采用渐进特征融合方法，得到所述待处理的雾霾图像对应的融合特征；

利用第二深度卷积神经网络模型对所述融合特征进行二级去雾，得到清晰图像。

可选的，所述利用第一深度卷积神经网络模型对所述待处理的雾霾图像进行一级去雾，得到样例图像，具体包括：

获取第一深度卷积神经网络模型；

将所述待处理的雾霾图像输入所述第一深度卷积神经网络模型，得到第一输出图像；

利用公式得到样例图像；其中，I(x)为输入的待处理的雾霾图像，E(x)为样例图像，N_e表示第一深度卷积神经网络模型，N_e(I(x))为第一输出图像。