结合数据学习和物理先验的图像去雾方法技术

本发明专利技术属于图像处理领域，公开了一种结合数据学习和物理先验的图像去雾方法。首先，基于包含雾图估计透射率和准确透射率的数据库训练残差网络；其次，对于一张有雾图像，用边缘限制的方法估计其透射率并用其初始化网络先验，且对于网络其后每一层，都以上一层输出结果作为其先验，经过多层迭代卷积和非线性激活后输出较为精准的透射率估计；最后，将最终透射率代入除雾物理模型中求解出除雾图像。优点：建立了一种全新的去雾霾深度网络，用较少的训练数据得到更精确的估计结果；将物理规律引入到深度学习框架中来，辅助深度模型刻画透射率的传输过程，弥补了领域知识与训练数据之间的差距；在真实数据上获得了较好的结果，有效去除较浓雾霾。

【技术实现步骤摘要】
结合数据学习和物理先验的图像去雾方法
本专利技术属于计算机视觉领域，涉及低级图像处理，特别涉及一种结合数据学习和物理先验的图像去雾方法。
技术介绍
随着大气污染的日益严重，改善有雾图像质量的意义不言而喻，对照片质量的修正和优化成为一个显而易见的需求。图像去雾是图像增强与图像修复交叉领域中的典型代表，早期的研究已提出不同类型的视觉先验来解决这个问题，其中最有代表性的是何恺明博士于2009年所提出的基于暗通道估计透射率的去雾方法，但做出的假设在特定图像上可能会失效。近期的神经网络方法在除雾方面虽然也体现出较好性能，但由于雾图中物理规则的消失，网络的培训需要大量数据，并且如果测试图像与训练数据雾浓度不同，结果往往会差强人意。本专利技术结合这两个角度，设计了一种由物理先验引导的深度去雾霾残差网络，提出基于变分能量的观点来研究模型的内在传播行为。通过物理规则揭示视觉先验，并从数据相关的深层架构获得的描述能力，从而弥补了领域知识与训练数据之间的差距，利用其优势在真实数据上获得良好的除雾效果。
技术实现思路
为求得雾霾图像的精确透射率以更好地除雾，本专利技术提供了一种结合数据学习和物理先验的图像去雾方本文档来自技高网...

【技术保护点】
一种结合数据学习和物理先验的图像去雾方法，包括以下步骤，步骤1.估计雾图的大气光参数A，雾图成像物理模型如下：I＝Jt+A(1‑t)，  (1)其中I为有雾图像，J为无雾图像，t为图像透射率，A表示全局大气光参数，为一个1×3向量，三个值分别对应有雾图像I的红、绿、蓝三个通道；包括以下子步骤：步骤1‑1输入一张有雾图像I；步骤1‑2对I的三个通道分别进行最小值滤波，取其结果的最大值，得到大气光参数A，即A

【技术特征摘要】
1.一种结合数据学习和物理先验的图像去雾方法，包括以下步骤，步骤1.估计雾图的大气光参数A，雾图成像物理模型如下：I＝Jt+A(1-t)，(1)其中I为有雾图像，J为无雾图像，t为图像透射率，A表示全局大气光参数，为一个1×3向量，三个值分别对应有雾图像I的红、绿、蓝三个通道；包括以下子步骤：步骤1-1输入一张有雾图像I；步骤1-2对I的三个通道分别进行最小值滤波，取其结果的最大值，得到大气光参数A，即Ac＝max(minfilter(Ic))，(2)其中c∈{r,g,b}，代表红、绿、蓝三个通道，Ac代表在不同通道A的取值，Ic表示有雾图像I在不同通道的分量；步骤2.估计有雾图像I的初始透射率t0，包括以下子步骤：步骤2-1输入一张有雾图像I，由式(2)求其初始透射率t0：其中c∈{r,g,b}表示红、绿、蓝颜色通道，为每个颜色通道上大气光观测形式的变形，C0和C1是与给定图像相关的两个常数向量；T[0,1]表示将t0约束在0～1范围之间；步骤3.利用DPATN网络对t0进行迭代优化；包括以下子步骤：步骤3-1由已知的S张无雾图像和其对应景深由透射率模型合成网络学习的目标，即准确透射率式中s为图片标号，ds为有雾图像Is的景深，即图中物体到相机的距离，βs为光衰减系数；将准确透射率和无雾图像代入雾图成像模型(1)中合成有雾图像得到网络训练数据步骤3-2构建由L层残差模型串联起来的聚合残差网络，以将有雾图像I映射到相应的透射率t；通过聚合数据驱动模块D(·)和先验驱动模块P(·)来定义网络，在网络的输入和输出之间建立连接如下：这里表示每一层的D(·)的传播参数，是先验P(I)的权重参数，是对进行迭代优化时的中间估计；每一层的数据驱动模块如式(6)所示：其中表示非线性激活函数，为高斯径向奇函数，K表示每一层的过滤器总数，...

【专利技术属性】
技术研发人员：刘日升，樊鑫，侯岷君，程世超，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21