一种基于渐进式导向强监督神经网络的图像去雾方法技术

技术编号:24688215 阅读:39 留言:0更新日期:2020-06-27 09:17
本发明专利技术公开了一种基于渐进式导向强监督神经网络的图像去雾方法,包括步骤:构建端到端的卷积神经网络,该网络输入为原始的有雾RGB图像,输出为清晰的RGB图像;卷积神经网络由3个相同结构的去雾模块首尾相连,上一个去雾模块的输出作为下一个去雾模块的输入;每个去雾模块由1个神经网络块和1个导向滤波层组成;在每个去雾模块中,神经网络块对图像进行去雾处理,得到3通道的RGB输出,导向滤波层以原始有雾RGB图像作为指导,对当前去雾模块中神经网络块的3通道RGB输出进行图像边缘锐化处理。本发明专利技术构建的卷积神经网络在基于训练数据进行学习重建后,在实际进行应用时,可直接将有雾的RGB图像输入到网络中,进而得到清晰度更好、质量更高的无雾图像。

An image de fogging method based on progressive oriented strong supervised neural network

【技术实现步骤摘要】
一种基于渐进式导向强监督神经网络的图像去雾方法
本专利技术涉及深度学习与计算机视觉领域,具体涉及一种基于渐进式导向强监督神经网络的图像去雾方法。
技术介绍
雾是一种常见的大气现象,空气中悬浮的水滴、灰尘、细沙或者其他颗粒等会引起图像成像质量的下降。在雾天的成像过程中,远处物体的反射光无法穿透过稠密大气达到摄像头,大气散射导致图像对比度和饱和度损失。有雾的图像会严重影响到自动驾驶、卫星图像语义分割等高层次的计算机视觉任务的工作,图像去雾已经成为深度学习与计算机视觉领域的研究重点和热点。近十几年,计算机视觉技术高速发展,期间出现多种图像去雾方法,图像去雾方法主要分两大类:基于手工先验的传统方法和基于深度学习的方法。基于手工先验的传统方法从有雾和无雾的图像数据集中分析总结图像先验知识,构建手工特征,主要以构建基于大气光模型的投射图为主,使用基于图像直方图、对比度和饱和度等方法。随着深度学习技术的发展,出现很多基于深度学习的去雾方法,深度学习方法主要使用卷积神经网络来代替手工提取特征的过程,借助于机器的强大算力,基于深度学习方法的去雾效果较先前本文档来自技高网...

【技术保护点】
1.一种基于渐进式导向强监督神经网络的图像去雾方法,其特征在于,包括如下:/n构建端到端的卷积神经网络,该网络输入为原始的有雾RGB图像,输出为清晰的RGB图像;所述卷积神经网络由3个相同结构的去雾模块首尾相连,上一个去雾模块的输出作为下一个去雾模块的输入;每个去雾模块均由1个神经网络块和1个导向滤波层组成;/n在每个去雾模块中,神经网络块对输入当前去雾模块的图像进行去雾处理,得到3通道的RGB输出,导向滤波层的输入为原始的有雾RGB图像和当前去雾模块中神经网络块的RGB输出,导向滤波层以原始有雾RGB图像作为指导,对当前去雾模块中神经网络块的3通道RGB输出进行图像边缘锐化处理。/n

【技术特征摘要】
1.一种基于渐进式导向强监督神经网络的图像去雾方法,其特征在于,包括如下:
构建端到端的卷积神经网络,该网络输入为原始的有雾RGB图像,输出为清晰的RGB图像;所述卷积神经网络由3个相同结构的去雾模块首尾相连,上一个去雾模块的输出作为下一个去雾模块的输入;每个去雾模块均由1个神经网络块和1个导向滤波层组成;
在每个去雾模块中,神经网络块对输入当前去雾模块的图像进行去雾处理,得到3通道的RGB输出,导向滤波层的输入为原始的有雾RGB图像和当前去雾模块中神经网络块的RGB输出,导向滤波层以原始有雾RGB图像作为指导,对当前去雾模块中神经网络块的3通道RGB输出进行图像边缘锐化处理。


2.根据权利要求1所述的基于渐进式导向强监督神经网络的图像去雾方法,其特征在于,所述神经网络块对输入当前去雾模块的图像进行去雾处理,方法为:
先使用2个3×3的卷积层对输入进行预处理,得到64个特征图;接着使用3×3的卷积层进行1/2下采样,得到大小是原始输入一半的64个特征图;接着使用密集网络架构进行搭建,每个denseblock使用1×1和3×3的卷积层,其中1×1的卷积层起到bottleneck的作用,将输入的特征图转为64,每个denseblock的输入来自于先前的所有特征图,denseblock的特征图数量分别为128、192、256、320;接着使用3×3卷积层,得到64个特征图;接着使用3×3反卷积层进行2倍上采样,得到跟原始输入大小一样的64个特征图;最后使用3×3和1×1卷积层得到3通道RGB输出。


3.根据权利要求1所述的基于渐进式导向强监督神经网络的图像去雾方法,其...

【专利技术属性】
技术研发人员:徐向民赵银湖邢晓芬
申请(专利权)人:华南理工大学
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 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。

1