[发明专利]基于卷积神经网络的联合估计图像去雾方法

摘要

本发明公开了一种单幅图像去雾方法，主要解决现有技术非线性拟合能力受约束和训练繁琐以及适用场景单一的问题。其方案是：在Caffe框架下构建由特征共享部分以及雾图大气光值估计分支和透射率估计分支组成的卷积神经网络；获取一组无雾图像集J，对J进行人工加雾得到有雾图像集I；将I、J按批量大小分别平分为多个配对的图像组，并依次循环输入200000次至神经网络进行训练；将需要去雾的图像I输入至训练完成的神经网络，输出大气光值A和透射率T；根据大气光值A和透射率T计算得到无雾图像J_c。本发明能很好的保持恢复图像的对比度和色彩饱和度，其峰值信噪比和结构相似性两个指标均优于现有技术，可用于有雾图像的清晰化处理。

主权项

1.一种基于卷积神经网络的单幅图像去雾方法，包括：1)在Caffe框架下构建由特征共享部分以及雾图大气光值估计分支和透射率估计分支组成的卷积神经网络架构，其中:特征共享部分包括三个卷积单元，大气光值估计分支包括三个卷积层，透射率估计分支依次包括一个金字塔池化模块、一个卷积层和一个反卷积层以及两个卷积层；每个卷积单元包括卷积层，归一化层，每个卷积层包括卷积操作以及ReLU激活函数层，每个反卷积层包括反卷积操作以及ReLU激活函数层，反卷积操作都具有相应的权值Dn，卷积操作都具有相应的权值Wn和偏置值Bn，归一化操作具有相应的缩放系数γn和偏移系数αn；2)获取一组清晰无雾图像集Jt，并对无雾图像Jt根据人为设定的大气光值A和透射率T进行人工加雾得到有雾图像集It，将无雾图像集Jt和有雾图像集It作为训练图像集；3)将训练图像集It、Jt按批量大小分别平分为多个配对的图像组进行图像处理，即同时输入It、Jt的第一图像组训练，得到神经网络各个卷积操作的初始权值Wn和偏置值Bn和反卷积操作的权值Dn以及归一化操作的缩放系数γn和偏移系数αn；4)将权值Wn和偏置值Bn和反卷积操作的权值Dn以及缩放系数γn和偏移系数αn应用至步骤1构建的卷积神经网络架构中，得到第一次参数更新后的神经网络；再将第二图像组输入至第一次参数更新后的神经网络，得到第二次参数更新后的神经网络；以此类推直至最后一组图像组输入至前一次更新后的神经网络，得到完成一次训练的神经网络；5)再将It、Jt的所有图像组依次输入至完成一次训练的神经网络，得到完成两次训练的神经网络；以此类推直至所有图像组均被输入200000次，得到完成所有训练的神经网络；6)将一幅需要去雾处理的有雾图像Ic输入至完成所有训练的神经网络，通过网络的大气光估计分支输出大气光值Ac，通过网络的透射率估计分支输出透射率Tc；7)根据6)的结果，计算得到高质量无雾图像：Jc＝(Ic‑Ac)/Tc+Ac。