The invention discloses an image de-fogging method based on a multi-scale densely connected network, which reconstructs images with different degrees of fog into clearer images and greatly improves the image quality and visual perception. For the first time, an adaptive histogram equalization method is proposed to improve the contrast of images, which can significantly improve the effect of fog removal. Multi-scale densely connected convolution neural network is used to describe the characteristics of fog at different scales, and the most effective fog removal effect can be achieved by combining the characteristics effectively. The formula of the problem makes the end-to-end depth learning defogging more concise and effective, and the invention is compared with other depth learning defogging algorithms. The invention not only greatly reduces the number of model parameters, but also achieves an ideal de-fogging effect with very little training data.
【技术实现步骤摘要】
一种基于多尺度稠密连接网络的图像去雾方法
本专利技术涉及图像增强领域,尤其涉及一种基于多尺度稠密连接网络的图像去雾方法。
技术介绍
雾是由于微小的尘埃和水汽颗粒在干燥的条件下聚集而形成的一种天气现象。雾,霾,烟等浑浊介质会吸收大气光和造成大气光的散射,这导致在此天气下采集的户外场景的图像退化。通常,退化的图像会失去对比度和色彩保真度。经过某种散射媒介的光线,在原方向上的光强会逐步减弱,同时由于能量守恒定律,减弱的光强会散射到其他方向上。此外,散射所损失的能量取决于其到摄像机的距离。基于这种物理现象,人们常用基于大气散射的物理模型来描述有雾的图像。有雾的图像能够表示为下面的一个线性模型:I(x)=J(x)t(x)+A(1-t(x))其中,I(x)代表有雾的图像,J(x)是物体的原始辐射,A是全局大气光照,t(x)被称为介质透射率。然而,如果只提供单张图像的信息,同时求解t(x)和A的话,这是一种欠适定的问题。为了解决这个问题,大部分传统的去雾算法依赖于假设和先验条件来估计透射图,进而以此求出其他未知数。(1)基于对比度的方法:与有雾图像的对比度相比,Tan等人发现无雾图像的对比度更低,同时其投射率的变化只跟物体的深度有关,所以利用马尔可夫随机场对投射图进行建模[1];(2)基于颜色衰减先验的方法:Zhu等人采用了一种基于先验的简单的线性回归模型来预测场景深度[2],其方法是利用了在无雾区域的亮度和颜色饱和度会非常相似,但是在有雾区域的亮度和颜色饱和度会有非常大的区别的物理特性。(3)基于暗通道的方法:He等人利用暗通道的先验进行去雾。所谓暗通道就是在绝大多数 ...
【技术保护点】
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 ...
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:刘文哲,李根,童同,高钦泉,
申请(专利权)人:福建帝视信息科技有限公司,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。