The present invention relates to an end-to-end image defogging method based on depth learning. The method converts foggy image into foggless image through a trained depth convolution neural network. The depth convolution neural network includes: feature extraction module, including several convolution sub-modules, convolution calculation of input image, extraction of multi-dimensional feature map, and feature pooling module. Blocks, including multiple pooling layers, each pooling layer correspondingly connects to the convolution sub-module, and then performs de-redundancy processing on the multi-dimensional feature map; recovery module, including multiple deconvolution sub-modules, connects to the feature pooling module, and outputs output images with the same resolution as the input image; interlayer jump connection layer is provided with multiple pooling layers to realize the pooling layer. The output of the deconvolution module is connected with the input of the corresponding deconvolution module by jumping between layers, and the multi-scale feature map is fused. Compared with the prior art, the present invention has the advantages of good fog removal effect and simple process.
【技术实现步骤摘要】
一种基于深度学习的端到端图像去雾处理方法
本专利技术涉及一种图像处理方法,尤其是涉及一种基于深度学习的端到端图像去雾处理方法。
技术介绍
雾是陆地和海洋上常见的大气现象。在有雾的天气中,存在很多具有一定尺寸的大气微小颗粒。它们不仅吸收目标物体/场景的反射光,同时自身的反射光同目标物体的反射光一起进入相机,使得相机获取的光线信息受到干扰,无法对目标物体/场景进行清晰成像。由于成像的模糊和噪声,给基于计算机视觉的各种算法在性能上带来很大的困难和挑战,如目标识别/跟踪、场景分割、自动驾驶等。随着图像处理技术的发展,图像去雾受到了广泛的关注。目前图像去雾算法主要可以分为两类:第一类是基于大气散射模型的传统图像恢复,采用人为定义的图像特征提取,聚类或是信息统计等,估算大气散射模型中的透射率及大气光强,通过该散射模型的逆向求解来得到去雾图像,该类型方法的主要缺点是透射率和大气光强估算准确率和鲁棒性不高,会出现图像色彩失真和引入噪声等现象;第二类是采用深度卷积网络模型,基于大样本量训练,让网络自身学习到如何估算透射率和大气光强,再通过模型公式求解无雾图像;或是神经网络并不显式估算这两个参数,而是直接输出恢复的无雾图像。深度学习模型的优点在于不用人为定义特征的提取方法,网络本身可以学到如何提取所需特征,比传统的图像处理方法在去雾效果上具有更高的恢复准确度和普适度。目前图像传统去雾处理方法在恢复准确度和普适度上存在较大不足,而现有大部分基于深度学习的方法并没有实现有效的端到端图像去雾,还需要通过估算的透射率和大气光强进行后处理。
技术实现思路
本专利技术的目的就是为了克服上述现 ...
【技术保护点】
1.一种基于深度学习的端到端图像去雾处理方法,其特征在于,该方法通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像,其中,所述深度卷积神经网络包括:特征提取模块,包括多个卷积子模块,对输入图像进行卷积计算,提取多维特征图谱;特征池化模块,包括多个池化层,每个池化层对应连接于一所述卷积子模块之后,对所述多维特征图谱进行去冗余处理;恢复模块,包括多个反卷积子模块,连接于所述特征池化模块之后,输出与输入图像具有相同分辨率的输出图像;层间跳跃连接层,设有多个,实现池化层的输出与相应反卷积子模块的输入间的层间跳跃连接,融合多尺度特征图谱。
【技术特征摘要】
1.一种基于深度学习的端到端图像去雾处理方法,其特征在于,该方法通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像,其中,所述深度卷积神经网络包括:特征提取模块,包括多个卷积子模块,对输入图像进行卷积计算,提取多维特征图谱;特征池化模块,包括多个池化层,每个池化层对应连接于一所述卷积子模块之后,对所述多维特征图谱进行去冗余处理;恢复模块,包括多个反卷积子模块,连接于所述特征池化模块之后,输出与输入图像具有相同分辨率的输出图像;层间跳跃连接层,设有多个,实现池化层的输出与相应反卷积子模块的输入间的层间跳跃连接,融合多尺度特征图谱。2.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法,其特征在于,所述卷积子模块包括相连接的两层卷积层。3.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法,其特征在于,所述反卷积子模块包括相连接的一层反卷积层和一层卷积层。4.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法,其特征在于,所述层间跳跃连接层为一卷积层。5.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法,其特征在于,所述深度卷积神经网络中,每个卷积层后设有非线性激活层。6.根据权利要求1所述的基于深度学习的端...
【专利技术属性】
技术研发人员:郑军,李俊,
申请(专利权)人:聚时科技上海有限公司,
类型:发明
国别省市:上海,31
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。