【技术实现步骤摘要】
基于多尺度暗通道先验级联深度神经网络的图像去雾方法
本专利技术属于图像处理
，具体涉及一种基于多尺度暗通道先验级联深度神经网络的图像去雾方法。
技术介绍
在雾、霾之类的恶劣天气下采集的图像会由于大气散射的作用出现质量退化现象，使图像颜色偏灰白色，对比度降低，物体特征难以辨认，不仅使视觉效果变差，图像观赏性降低，还会导致图像内容的理解出现偏差。图像去雾就是指用特定的方法和手段，使空气中悬浮微粒对图像的不良影响降低甚至消除。单张图像去雾是指在只有一张有雾图像的条件下，对其进行去雾处理得到清晰的图像。目前单张图像去雾方法主要分为三大类：第一类是基于图像增强的方法，第二类是基于物理模型的方法，第三类是基于深度学习的方法。基于图像增强的方法的本质是对被降质的图像进行增强，改善图像的质量。比如常见的直方均衡、对数变换、幂律变换、锐化、小波变换等。通过这些方法增强图像的对比度或突出图像的特征。与常见的对比度增强方法不同，另一种常见的图像增强的方法是基于颜色恒常性和视网膜皮层理论的Retinex方法。该方法将图像分解为本质图像与照度图像的乘积，从而消除因为受雾霾遮挡的光照因...
【技术保护点】
1.基于多尺度暗通道先验级联深度神经网络的图像去雾方法，其特征在于，该方法包括以下步骤：步骤一、建立雾化图像训练集：利用已知深度的图像数据集，按照大气散射模型合成成组的有雾图像训练集；步骤二、单张随机有雾图像的去雾，过程如下：步骤201、在步骤一中的雾化图像训练集中随机提取一张有雾图像，对单张随机有雾图像的图像尺寸进行归一化，得到图像大小为2
【技术特征摘要】
1.基于多尺度暗通道先验级联深度神经网络的图像去雾方法，其特征在于，该方法包括以下步骤：步骤一、建立雾化图像训练集：利用已知深度的图像数据集，按照大气散射模型合成成组的有雾图像训练集；步骤二、单张随机有雾图像的去雾，过程如下：步骤201、在步骤一中的雾化图像训练集中随机提取一张有雾图像，对单张随机有雾图像的图像尺寸进行归一化，得到图像大小为2m×2n的原始单张有雾图像其中，m和n均不小于8的正整数；步骤202、对原始单张有雾图像进行下采样，分别得到第一尺度原始有雾图像第二尺度原始有雾图像第三尺度原始有雾图像和第四尺度原始有雾图像其中，第一尺度原始有雾图像的分辨率为2m-4×2n-4，第二尺度原始有雾图像的分辨率为2m-3×2n-3，第三尺度原始有雾图像的分辨率为2m-2×2n-2，第四尺度原始有雾图像的分辨率为2m-1×2n-1；步骤203、利用第一深度卷积网络对第一尺度原始有雾图像估计第一全局大气光照A1、第一透射率图像T1和第一透射率图像T1的上采样图像T1u，即第一深度卷积网络的输入为第一尺度原始有雾图像输出为第一全局大气光照A1、第一透射率图像T1和第一透射率图像T1的上采样图像T1u，其中，w1为第一深度卷积网络的权重参数集合，第一全局大气光照第一透射率图像第一透射率图像T1的上采样图像T1u＝Deconv(T1)，Conv(·)为卷积模块，Maxpool(·)为最大值池化模块，Gfl(·)为引导滤波模块，Deconv(·)为反卷积模块；再利用大气散射模型得到第一尺度去雾图像D1，其中，步骤204、利用第二深度卷积网络对第二尺度原始有雾图像估计第二全局大气光照A2、第二透射率图像T2和第二透射率图像T2的上采样图像即第二深度卷积网络的输入为第二尺度原始有雾图像输出为第二全局大气光照A2、第二透射率图像T2和第二透射率图像T2的上采样图像其中，w2为第二深度卷积网络的权重参数集合，第二全局大气光照第二透射率图像第二透射率图像T2的上采样图像再利用大气散射模型得到第二尺度去雾临时图像其中，concat(·)为叠加函数；根据公式融合得到第二尺度去雾图像D2；步骤205、利用第三深度卷积网络对第三尺度原始有雾图像估计第三全局大气光照A3、第三透射率图像T3和第三透射率图像T3的上采样图像即第三深度卷积网络的输入为第三尺度原始有雾图像输出为第三全局大气光照A3、第三透射率图像T3和第三透射率图像T3的上采样图像其中，w3为第三深度卷积网络的权重参数集合，第三全局大气光照第三透射率图像第三透射率图像T3的上采样图像再利用大气散射模型得到第三尺度去雾临时图像其中，根据公式融合得到第...
【专利技术属性】
技术研发人员：崔智高，苏延召，李爱华，王涛，姜柯，蔡艳平，冯国彦，李庆辉，
申请(专利权)人：中国人民解放军火箭军工程大学，
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。