【技术实现步骤摘要】
基于深度学习神经网络的图像去雾方法及系统
本专利技术属于图像处理
,具体涉及一种基于深度学习神经网络的图像去雾方法及系统。
技术介绍
雾是一种常见的大气现象。空气中无处不在的灰尘、烟或其他颗粒,都会降低大气的清晰度。在景物摄影领域,光在大气中的透射率对远距离物体的成像尤为重要,因此雾通常会给成像带来很多问题,如:由于光被大气中粒子散射带来的摄影成像时物体在视觉效果上对比度的降低。因此,去雾工作在摄影领域和计算机视觉领域,都有着很大的应用前景。因为大气中雾的透射程度往往与景深有关,在不同的位置,深度越大,雾越浓厚。如今已有很多不同的去雾方法,如基于直方图,基于对比度的和基于饱和度的。另外,利用多副图像或景深信息去雾的方法也已被提出。例如,利用从不同偏振角度拍摄的多副图像进行去雾的方法。在不同天气条件下拍摄同一场景的图片的多对比度去雾方法被提出。基于深度的方法需要输入一些深度信息或利用已知的3D模型。在实际应用中,深度信息和多副雾图往往是不容易得到和利用的。最近,借助更好的假设和先验知识,单幅图像的去雾工作取得了重大进展。根据无雾图像中的局部对比度比含雾图像的对比度更高的假设,学者提出了一种基于马尔科夫随机场(MRF)的局部对比度最大化的去雾方法。尽管最大化对比度的方法能够实现很好的去雾效果,但同时也会产生一些过饱和的图像。基于最小输入的独立成分分析法(ICA)被用于去雾工作,但是这一方法的处理时间非常长且不能被用于处理雾浓的图片。受暗光物体去除技术的启发,暗通道先验(DCP)在大量针对清晰图像的测试中被发现,即在无雾图像块中,至少有一个颜色通道会包含一 ...
【技术保护点】
一种基于深度学习神经网络的图像去雾方法,其特征在于,包括如下步骤:步骤1、将含雾图像输入到深度学习神经网络系统;步骤2、所述深度学习神经网络系统对所述含雾图像进行特征提取,自主学习并提取雾相关特征;步骤3、对所述含雾图像进行多尺度映射,在不同尺度下集中提取所述含雾图像的特征,形成特征图;步骤4、对所述特征图上的每一个像素进行局部极值,并保持分辨率不变,得到处理后的图像;步骤5、对所述处理后的图像进行非线性回归操作,得到初始透射率t(x);步骤6、利用引导滤波器优化透射率,对所述处理后的图像进行图像平滑处理;步骤7、计算大气光参数;步骤8、根据所述初始透射率t(x)及所述大气光参数,恢复无雾图像。
【技术特征摘要】
1.一种基于深度学习神经网络的图像去雾方法,其特征在于,包括如下步骤:步骤1、将含雾图像输入到深度学习神经网络系统;步骤2、所述深度学习神经网络系统对所述含雾图像进行特征提取,自主学习并提取雾相关特征;步骤3、对所述含雾图像进行多尺度映射,在不同尺度下集中提取所述含雾图像的特征,形成特征图;步骤4、对所述特征图上的每一个像素进行局部极值,并保持分辨率不变,得到处理后的图像;步骤5、对所述处理后的图像进行非线性回归操作,得到初始透射率t(x);步骤6、利用引导滤波器优化透射率,对所述处理后的图像进行图像平滑处理;步骤7、计算大气光参数;步骤8、根据所述初始透射率t(x)及所述大气光参数,恢复无雾图像。2.如权利要求1所述的基于深度学习神经网络的图像去雾方法,其特征在于,所述步骤1中,所述深度学习神经网络系统包括网络层和非线性激活函数,所述非线性激活函数在所述网络层之后,所述网络层包括级联的卷积层和全连接层;所述网络层和非线性激活函数进行特征提取、多尺度映射、局部极值及非线性回归,以估计大气透射率。3.如权利要求2所述的基于深度学习神经网络的图像去雾方法,其特征在于,所述非线性激活函数为用于多层感受器或卷积神经网络中的一个前向反馈非线性激活函数。4.如权利要求3所述的基于深度学习神经网络的图像去雾方法,其特征在于,所述步骤2中,所述深度学习神经网络系统对所述含雾图像进行特征提取,具体为:当用于所述卷积神经网络时,深度学习神经网络系统对k幅特征图进行像素级的最大化处理,并生成一张新的特征图,则所述深度学习神经网络系统的第一层特征图的输入为:其中,和分别代表了滤波器和偏差,*代表卷积操作,第一层的输出共有n1张特征图;代表深度学习神经网络第一层特征图输入;x是指含雾图向I(x)中的每个像素点,j∈[1,k],i1∈[1,n1]。是所有k×n1个卷积滤波器中的其中一个,其中3代表了输入图像I(x)的通道数,f1是滤波器的尺寸大小;非线性激活函数单元将kn1维向量映射到n1维向量,并自主学习并提取雾相关特征。5.如权利要求4所述的基于深度学习神经网络的图像去雾方法,其特征在于,所述步骤3中,对所述含雾图像进行多尺度映射,在不同尺度下集中提取所述含雾图像的特征,形成特征图,具体为:在所述深度学习神经网络系统第二层采用平行卷积操作,其中每个卷积滤波器的尺寸都在3×3,5×5,7×7中选取,并且这三种尺寸的滤波器的个数均相同,则所述深度学习神经网络系统的第二层的特征图输入表示为:其中,和包括n2对参数并被分为3组,n2是第二层输出的维度,i2∈[1,n2]标志了输出特征图,表示对i2/3向下取整,\代表取余操作。6.如权利要求5所述的基于深度学习神经网络的图像去雾方法,其特征在于,所述步骤4...
【专利技术属性】
技术研发人员:任航,宋玉龙,郭巳秋,刘博超,
申请(专利权)人:中国科学院长春光学精密机械与物理研究所,
类型:发明
国别省市:吉林,22
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。