【技术实现步骤摘要】
基于Retinex理论的端到端网络的图像去雾方法
本专利技术属计算机图像处理方法，尤其涉及一种图像的去雾方法。
技术介绍
在雾、霾等天气条件下拍摄的户外图像，由于受到大气悬浮粒子的吸收和散射等干扰，会产生对比度下降、细节模糊、颜色失真等退化现象，严重影响户外视频监控、目标识别等视觉系统的性能。因此，图像去雾在计算机视觉应用和数字图像处理领域尤为重要。随着卷积神经网络(CNN)在计算机视觉任务中的广泛应用，基于深度学习的方法成为图像去雾研究的主流方向。该方法直接学习有雾图像到无雾图像之间的映射关系来实现去雾，或者通过估计传输图和大气光值等参数并利用成像模型实现去雾。Qu等[1]提出了一个增强的pix2pix去雾网络(EPDN)，该网络直接学习有雾图像和无雾图像之间的映射关系。Chen等[2]提出一个多尺度自适应去雾网络(MADN)，该网络包括自适应蒸馏网络和多尺度增强网络，其中多尺度增强网络通过金字塔池化模块来融合信息，使恢复的无雾图像更加更加精细化。Cai等[3]提出一个端到端的网络(DehazeNet)来估计传输图，然后依...
【技术保护点】
1.一种基于Retinex理论的端到端网络的图像去雾方法，其特征在于，建立去雾网络，然后，将Retinex模型嵌入去雾网络中实现端到端的学习，从有雾图像中提取特征信息来估计亮度图和反射图，进而根据式(1)恢复出清晰图像：/nS＝L×R (1)/n式(1)中，S为清晰图像，L为清晰图像的亮度图，R为清晰图像的反射图，×表示点乘操作。/n
【技术特征摘要】
1.一种基于Retinex理论的端到端网络的图像去雾方法，其特征在于，建立去雾网络，然后，将Retinex模型嵌入去雾网络中实现端到端的学习，从有雾图像中提取特征信息来估计亮度图和反射图，进而根据式(1)恢复出清晰图像：
S＝L×R(1)
式(1)中，S为清晰图像，L为清晰图像的亮度图，R为清晰图像的反射图，×表示点乘操作。
2.根据权利要求1所述的基于Retinex理论的端到端网络的图像去雾方法，其特征在于，去雾网络的结构如下：
该去雾网络包括亮度图估计子网络、反射图估计子网络、利用Retinex模型进行图像复原，具体内容如下：
1)亮度图估计子网络：
所述亮度图估计子网络采用级联的残差密集网络结构，包含五个卷积层和五个密集残差块；
第一和第二个卷积层分别为cov1，cov2，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均为64，第二个卷积层后面紧跟一个RELU激活函数；
第三个卷积层cov3的卷积核大小为3*3，步长为2，padding设置为1；
所述第三个卷积层cov3后面依次是五个密集残差块，五个密集残差块分别记为RDB1，RDB2，RDB3，RDB4，RDB5；每个密集残差块的结构相同，均包含依次接着的四个卷积层，其中，前三个卷积层的卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均设置为16，每个卷积层后均紧跟一个RELU激活函数，最后一个卷积层的卷积核大小为1*1，步长为1，padding设置为0，输出的通道数为16；
五个密集残差块中的最后一个卷积层后紧接着一个反卷积层decov1和卷积层cov4，反卷积层decov1的卷积核大小为3*3，步长为2，padding设置为1，卷积层cov4的卷积核大小为1*1，步长为1，padding设置为0；
通过该亮度图估计子网络生成无雾图像的亮度图
2)反射图估计子网络：
所述反射图估计子网络采用Unet结构，包含特征提取部分和上采样部分；
特征提取部分包含四个尺度，前三个尺度上均包含两个卷积层和一个最大池化层，卷积层的卷积核均为3*3，步长均为1，padding均设置为1，输出通道数分别为64、128和256，最大池化层的核的大小均设置为2*2；第四个尺度上包含两个卷积层，卷积核的大小...
【专利技术属性】
技术研发人员：杨爱萍，刘瑾，王海新，何宇清，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
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。