【技术实现步骤摘要】
一种基于卷积神经网络的图像去雾方法
本专利技术涉及图像处理
，具体为一种基于卷积神经网络的图像去雾方法。
技术介绍
在视频监控、目标识别以及场景勘测等领域，常使用图像采集设备采集视频图像，以便于获得更多的目标信息，但是在雾天条件下，大气中存在着一些浑浊的介质，使得图像采集设备接收到的光发生了变化，导致采集到的图像清晰度下降、对比度降低，严重影响了目标信息的准确获取。因此，对有雾图像进行清晰化处理对人们的生产生活有着重大的现实意义。目前，对有雾图像的处理方法主要基于图像增强和图像复原两种方法，但是前者由于没有完全考虑到图像退化的主要原因，容易对部分图像信息造成一定程度的失真，存在去雾过度的情况；而后者主要是研究雾天图像的退化机制，建立普适的退化模型，从而得到去雾后的图像，但是该方法得到的去雾图像仍然存在图像不清晰、失真度高的缺陷，需对去雾图像再次进行后续处理才能得到较清晰、低失真度的去雾图像，图像处理步骤繁琐，大大降低了图像处理的整体效率。
技术实现思路
针对现有技术中存在的基于图像增强的图像处理方法易导致部分图像信息失真，现有的图像复原的方法得到的去雾图像需再经...
【技术保护点】
1.一种基于卷积神经网络的图像去雾方法，其具体包括以下步骤：S1，原始无雾图像的获取；S2，有雾图像的获取；S3，建立网络模型，对所述有雾图像进行处理，得到最终去雾图像；其特征在于，在S1中，所述原始无雾图像从现有的数据集中选取，选取N幅所述原始无雾图像作为整体训练样本；在S2中，将S1中所述原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对所述原始无雾图像进行处理，得到所述有雾图像；在S3中，所述网络模型为卷积神经网络模型，搭建所述卷积神经网络模型，采用所述卷积神经网络模型对所述有雾图像进行处理，具体的网络模型建立方法包括以下步骤：S31，选取用...
【技术特征摘要】
1.一种基于卷积神经网络的图像去雾方法，其具体包括以下步骤：S1，原始无雾图像的获取；S2，有雾图像的获取；S3，建立网络模型，对所述有雾图像进行处理，得到最终去雾图像；其特征在于，在S1中，所述原始无雾图像从现有的数据集中选取，选取N幅所述原始无雾图像作为整体训练样本；在S2中，将S1中所述原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对所述原始无雾图像进行处理，得到所述有雾图像；在S3中，所述网络模型为卷积神经网络模型，搭建所述卷积神经网络模型，采用所述卷积神经网络模型对所述有雾图像进行处理，具体的网络模型建立方法包括以下步骤：S31，选取用于搭建所述卷积神经网络模型的网络训练样本，所述网络训练样本包括M幅无雾图像和M幅有雾图像；S32，对所述网络训练样本进行裁剪；S33，将裁剪后的所述网络训练样本中的有雾图像作为输入值，所述无雾图像作为对应的输出标签，训练所述卷积神经网络模型。2.根据权利要求1所述的一种基于卷积神经网络的图像去雾方法，其特征在于，其还包括步骤S4，设置所述卷积神经网络模型的学习率和动量参数，使用开源框架训练所述卷积神经网络。3.根据权利要求2所述的一种基于卷积神经网络的图像去雾方法，其特征在于，所述开源框架为Tensorflow，使用所述Tensorflow训练所述卷积神经网络，直至损失函数降低到设定值，所述Tensorflow的模型训练结束。4.根据权利要求1所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S1中，所述现有的数据集为BSD500数据集和NYU数据集。5.根据权利要求4所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S2中，人工合成有雾图像的具体步骤包括：S21，对所述原始无雾图像进行归一化处理，得到所述原始无雾图像的蓝色通道图像B（X）；S22，采用引导滤波法去掉所述蓝色通道图像集B（X）中的细节，得到细化的蓝色通道图像B1（X）；S23，使用蓝色通道加雾算法对所述细化的蓝色通道图像B1（X）进行处理，得到所述原始无雾图像的深度图，所述蓝色通道加雾算法为所述细化的蓝色通道图像B1（X）与所述深度图之间的对数关系，计算公式表示为：d（x）=-log（1-B1（x）），其中，d（x）表示原始无雾图像的深度图，B1（x）表示细化...
【专利技术属性】
技术研发人员：桑庆兵，雎青青，殷莹，李朝锋，吴小俊，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32
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。