【技术实现步骤摘要】
基于卷积神经网络的联合估计图像去雾方法
本专利技术属于图像处理
,特别涉及一种单幅图像去雾方法,可用于成像系统拍摄的单幅有雾图像的清晰化处理。
技术介绍
受现实条件中雾霾等恶劣天气的影响，成像设备捕获的图像质量普遍偏低，经常存在对比度低，色调偏移、信息可辨识度低的现象。这些降质的图像不仅影响人眼的主观感受，更严重影响了各类智能视觉信息处理系统的性能。因此，对雾天图像进行清晰化处理具有非常重要的实际应用价值。目前，基于大气散射模型的图像和视频去雾算法是研究关注的热点，其关键问题是如何估计大气光和透射率。传统去雾方法通过各种先验假设来提取雾图的特征，然后利用该特征分别设计有效的大气光和透射率估计方法，以实现图像去雾。典型的去雾方法如He等人提出的基于暗通道先验的方法(DarkChannelPrior，DCP)，见HEK,SUNJ,TANGX.Singleimagehazeremovalusingdarkchannelprior[J].//IEEEtransactionsonpatternanalysisandmachineintelligence,2011,33...
【技术保护点】
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...
【技术特征摘要】
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。2.根据权利要求1所述的方法，其特征在于：步骤1)中的金字塔池化模块，其按如下步骤对数据进行处理：1a)将输入至模块的数据I进行0.5倍最大池化操作，再进行卷积...
【专利技术属性】
技术研发人员：王柯俨，赵熹，王迪，李云松，许宁，雷杰，陈静怡，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61
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。