[发明专利]一种基于独立细节恢复网络的图像去雾方法

说明书

本发明公开了一种基于独立细节恢复网络的图像去雾方法，主要包括以下步骤：S1、获取图像数据，构建具有成对有雾图像和无雾图像的数据集；S2、构建图像去雾模型，该模型由去雾骨干网络和细节恢复网络两个分支网络构成。其中，去雾骨干网络由透射率图像估计网络、大气光估计网络组成，细节恢复网络由局部分支和全局分支组成；S3、将有雾图像输入到去雾骨干网络和细节恢复网络中，分别获得初步去雾图像和细节特征图；S4、将初步去雾图像与细节特征图相加得到最终的去雾图像。本发明提出独立的细节恢复网络用于图像去雾，在细节恢复网络中结合局部特征提取和全局特征提取，在有效去雾的同时进一步恢复图像细节，提升去雾效果。

技术领域

本发明涉及一种基于独立细节恢复网络的图像去雾方法，属于图像处理技术领域。

背景技术

图像去雾问题的目的是给定一张有雾图像，通过图像去雾方法恢复出干净的无雾图像。有雾图像通常会出现模糊、低对比度、颜色失真等图像质量退化现象。这种退化的图像妨碍了许多高级计算机任务性能的进一步提升，如目标检测、行人识别、图像语义分割等。因此，图像去雾越来越受到人们的关注。

在图像去雾的相关研究中，大气散射模型被广泛地用于描述有雾图像的形成，其具体公式如下：

I(x)＝J(x)t(x)+A(1-t(x)),

其中，I(x)表示有雾图像，J(x)表示无雾图像，A表示大气光图像，t(x)表示透射率图像，x表示像素位置。其中，透射率图像可以表示为t(x)＝e^-βd(x),d(x)和β分别为场景深度和大气散射系数。

近几十年来，一系列图像去雾方法被提出，这些方法可以分为两类：基于先验的图像去雾方法和基于学习的图像去雾方法。在基于先验的图像去雾方法中，利用手工设计的先验知识描述透射率图像和大气光图像，这些先验知识是根据无雾图像的统计特性设计的，可以用于区分有雾图像和无雾图像，例如暗通道先验和颜色衰减先验。基于学习的图像去雾方法可以进一步分为两类：一类是利用卷积神经网络直接学习有雾图像到无雾图像的映射关系，另一类是利用卷积神经网络分别估计透射率图像和大气光图像，然后根据大气散射模型估计出无雾图像。

虽然现有的方法已经取得了一定的去雾效果，但是这些方法大都关注于去雾操作，而忽略了去雾图像的细节恢复，特别是忽略了一个独立的细节恢复网络对于去雾图像细节恢复的重要性。

发明内容

针对现有技术的不足，本发明提供了一种基于独立细节恢复网络的图像去雾方法，该方法设计了一个独立于去雾骨干网络的细节恢复网络用于去雾图像细节的恢复，在有效去雾的同时进一步丰富图像细节，提升去雾效果。除此之外，该方法专门设计了一个密集残差块用于透射率图像的估计。

为实现上述目的，本发明提供了如下技术方案：

一种基于独立细节恢复网络的图像去雾方法，通过设置一个独立于去雾骨干网络的细节恢复网络，对有效去雾后的图像进行细节的恢复，进一步提升去雾效果，该方法包括以下步骤：

S1、获取图像数据，构建具有成对有雾图像和无雾图像的数据集；

S2、构建图像去雾模型，该模型由去雾骨干网络和细节恢复网络两个分支网络构成，其中，去雾骨干网络由透射率图像估计网络、大气光估计网络组成，细节恢复网络由局部分支网络和全局分支网络组成；

S3、将有雾图像输入到去雾骨干网络和细节恢复网络中，分别获得初步去雾图像和细节特征图；

S4、将初步去雾图像与细节特征图相加得到最终的去雾图像。

进一步地，步骤S1具体包括：

获取若干不同场景的无雾图像，根据大气散射模型，生成与无雾图像对应的有雾图像，构建成对的图像数据集。

进一步地，步骤S2具体包括：