[发明专利]一种基于多尺度稠密连接网络的图像去雾方法

摘要

本发明公开一种基于多尺度稠密连接网络的图像去雾方法，将具有不同程度的雾的图像重建成较为清晰的图像，极大的提高了图像的质量与视觉感受。首次提出自适应直方图均衡化的方式提高图像的对比度的图像预处理，显著提高了去雾效果；采用多尺度稠密连接卷积神经网络能够描述不同尺度雾的特征，并且有效的结合其特征，达到最有效的去雾效果;提出了基于Retinex去雾问题的公式，使得端对端的深度学习去雾更加简洁有效;本发明和其他基于深度学习的去雾算法相比。本发明不但极大地减少了模型参数数量，而且可以在极少的训练数据的情况下，也达到理想的去雾效果。

主权项

1.一种基于多尺度稠密连接网络的图像去雾方法，其特征在于：其包括如下步骤：步骤1，将单张有雾图像I(x)进行预处理后，并将预处理后得到的图像I(x4)作为模型的输入数据；所述步骤1具体包括以下步骤：步骤1.1，图像均衡化：将单张有雾图像I(x)通过基于对比度限制的自适应直方图均衡化方法进行图像预处理，得到图像I(x1)；步骤1.2，图像归一化：将预处理后的有雾图像I(x1)的每个像素值除以255，使得每一个像素介于[0,1]之间，得到图像I(x2)；步骤1.3，图像负值化：将归一化处理后的有雾图像I(x2)的每个像素值都乘以‑1，使得每个像素介于[‑1,0]之间，得到图像I(x3)；步骤1.4，图像正值化：将负值化处理后的有雾图像I(x3)的每个像素都加上1，使得每个像素介于[0,1]之间，得到图像I(x4)；步骤2,将预处理后得到的图像I(x4)分别执行初始阶段、多尺度卷积层计算阶段、多尺度卷积特征混合计算阶段、变量带入公式计算阶段，获得一幅其对应的去雾处理后的图像；所述步骤2具体包括以下步骤：步骤2.1，初始阶段：输入的预处理后得到的图像I(x4)进行卷积运算和激活函数运算得到其对应的第1层输出结果F(I(x4))，其计算公式是：F(I(x4))＝max(W*I(x4)+b,0)                             (1)其中W和b分别是本发明的第一层网络的卷积权值参数和偏置参数；步骤2.2，多尺度卷积层计算阶段：将把初始阶段提取的卷积特征输入三种大小的多个卷积核组成的三个卷积层组；将把初始阶段的结果F(I(x4))分别输入到多尺度卷积层的每个卷积层组，其后把结果又进行一次卷积，然后把前面两个结果堆叠的结果输入到下一个卷积层。其计算公式是：其中和分别是不同i尺度的卷积层组的第1个、第2个和第3个卷积层的卷积权值参数，和分别是不同i尺度的卷积层组的第1个、第2个和第3个卷积层的偏置参数；和分别是不同i尺度的卷积层组的第1个、第2个和第3个卷积层的输出结果；步骤2.3，多尺度卷积特征混合阶段：特征混合阶段由1次特征堆叠操作、2次激活函数运算和2次卷积运算组成，其计算公式是：F5(I(x))＝max(W5*F4(I(x))+b5,0)                          (6)其中W4和W5分别是多尺度卷积特征混合阶段的第1个和第2个卷积层的卷积权值参数，b4和b5分别是多尺度卷积特征混合阶段的第1个和第2个卷积层的偏置参数，F5(I(x))是卷积神经网络的输出；步骤3，去雾区域计算阶段：基于Retinex求解推导去雾计算公式：其中，ε为调节因子，I(x)为有雾的图像,D(X)为清晰无雾的图像；步骤4，将去雾处理后的图像与y真实清晰的图像进行比较，计算两幅图像之间的欧式距离；步骤5，基于计算的欧式距离不断更新并优化获得最优的卷积权值参数和偏置参数；当重建的较为清晰图像与其对应的清晰的图像进行比较时没有获得预先设定的去雾效果，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数，再执行步骤2‑5；当恢复的较为清晰图像与其对应的清晰的图像进行比较时已经获得预先设定的去雾效果时，则停止反向传播，并最终求得步骤2所获得的卷积权值参数和偏置参数。