[发明专利]一种使用高低频分解的无监督夜间图像去雾方法

说明书

本发明提供一种使用高低频分解的无监督夜间图像去雾方法，包括：利用导向滤波器将输入图像分解成高频图像和低频图像；将输入图像与高频图像进行合并操作后作为无雾图像估计网络的输入，估计出无雾图像；将输入图像与低频图像进行合并操作后作为透射率估计网络的输入，估计出透射图像；利用最大值滤波器估计输入图像对应的大气光照图；基于无雾图像、透射图像和大气光照图，采用大气散射模型重构输入图像；将重构损失函数作为损失函数，并对网络进行端到端的训练。本发明在不需要成对的夜间雾天图像和夜间清晰图像的情况下，仅仅使用观测到的夜间雾天图像就可以进行学习和推断，能够有效去除夜间雾霾，提高夜间雾天图像的视觉性。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种使用高低频分解的无监督夜间图像去雾方法。

背景技术

目前很多的雾霾图像复原算法都是针对白天的图像，如基于先验信息的方法；去雾的方法大多都是基于大气散射模型，该模型一般都默认白天的大气光是均匀的，但对于夜间图像，由于环境光照很弱，且有人造光源的干扰，使得大气光有了很大的变化，构成更加复杂，也更难估计，所以对于夜间图像去雾，这些算法效果会很差。

对目前的夜间图像去雾复原算法，可以大致分为四类：一类是基于对白天雾霾图像研究的经验上，分析夜间图像的特点来得出一些复原方法，该类算法有一定的去雾效果，但鲁棒性不好，去雾效果还有很大的提升空间；第二类在大气散射模型的基础上进行优化改进，结合白天去雾的相关算法和研究经验，通过估计图像的透射率和大气光照，但由于夜间环境光照分布复杂，不易计算，这类方法对环境光值和透射率估值并不准确，鲁棒性不够，并且对图像中暗区域的恢复不佳；第三类是将结合了大气散射模型和分层优化算法；该类算法由于计算复杂导致时间开销很大，不符合处理视频的实时性要求。第四类是基于深度学习的夜间图像去雾算法，例如卷积神经网络应用于图像去雾。

然而目前基于深度学习的夜间图像去雾方法都是以一种有监督的方式进行训练，需要提供大量成对夜间清晰图像和雾天图像的数据集，并且这种方法得到的去雾模型的性能跟数据集的质量有直接的联系；此外，因为基于深度学习的去雾方法需要大量的数据，从而导致在训练去雾模型的时候要耗费大量时间。

发明内容

本发明的目的是提供一种使用高低频分解的无监督夜间图像去雾方法，在不需要成对的夜间雾天图像和夜间清晰图像的情况下，仅仅使用观测到的夜间雾天图像就可以进行学习和推断。

为了实现以上目的，本发明通过以下技术方案实现：

一种使用高低频分解的无监督夜间图像去雾方法，包括：

利用导向滤波器将输入图像分解成高频图像和低频图像；

将所述输入图像与所述高频图像进行合并操作后得到第一合并图像，作为无雾图像估计网络J-net的输入，估计出所述输入图像对应的无雾图像；

将所述输入图像与所述低频图像进行合并操作后得到第二合并图像，作为透射率估计网络T-net的输入，估计出所述输入图像对应的透射图像；

利用最大值滤波器估计所述输入图像对应的大气光照图；

基于所述无雾图像、所述透射图像和所述大气光照图，采用大气散射模型重构所述输入图像；

将重构损失函数作为损失函数，并对所述无雾图像估计网络J-net和所述透射率估计网络T-net进行端到端的训练。

进一步的，所述利用导向滤波器将输入图像分解成高频图像和低频图像，包括：

采用所述输入图像的通道差异图作为导向滤波器中的导向图，通过低通滤波得到所述输入图像对应的低频图像，其中，所述通道差异图由所述输入图像的最大颜色通道减去最小颜色通道得到；

将所述输入图像与所述低频图像相减，得到所述输入图像对应的高频图像。