【技术实现步骤摘要】
一种基于无监督学习的单张图像去雾方法
本专利技术属于图像处理
，具体涉及一种基于无监督学习的单张图像去雾方法。
技术介绍
雾是一种由烟尘、蒸汽等颗粒引起的常见自然现象。在摄像机成像过程中，这些漂浮的颗粒折射了场景的反射光，同时引入了空气中的环境光，使得摄像机拍出来的雾天图像相对于晴天图像模糊、偏色且可视距离短。含雾图片的这些特点不仅影响了图片的视觉效果，而且对于高层的计算机视觉算法同样有抑制作用。以有雾图片作为输入时，物体检测、目标识别、分类等算法的效果都会有所下降，这极大的影响了自动驾驶、智能安防等应用的落地。现有的图像去雾方法主要分为两类，即基于先验的图像去雾算法和数据驱动的图像去雾算法。具体的，基于先验的图像去雾算法主要是通过使用人工设定的图像先验来进行去雾，例如，通过假设干净图像比有雾图像对比度更高，增强有雾图像的局部对比度来实现去雾效果；另外也可通过彩色衰减先验，利用图片饱和度和亮度的差值估计图像深度，进而实现去雾效果。基于图像先验的去雾算法不依赖大规模数据集且可解释性强，所以取得了巨大的成功，但是由...
【技术保护点】
1.一种基于无监督学习的单张图像去雾方法，其特征在于，包括以下步骤：/nS1、构建图像去雾模型；/nS2、将原始有雾图像x输入到图像去雾模型中，获得原始有雾图像对应折射率图像f
【技术特征摘要】
1.一种基于无监督学习的单张图像去雾方法，其特征在于，包括以下步骤：
S1、构建图像去雾模型；
S2、将原始有雾图像x输入到图像去雾模型中，获得原始有雾图像对应折射率图像fT(x)和大气光照图像fA(x)；
S3、利用原始有雾图像x及其对应的fT(x)和fA(x)，通过大气散射模型的确定原始有雾图像对应的干净图像，实现单张图像去雾。
2.根据权利要求1所述的基于无监督学习的单张图像去雾方法，其特征在于，所述步骤S1中的图像去雾模型包括三个并列的J-Net网络、T-Net网络和A-Net网络；
所述J-Net网络输出初步干净图像进而确定图像去雾模型的重构损失，用于辅助图像去雾模型的训练；
所述T-Net网络用于输出原始有雾图像对应的折射率图像；
所述A-Net网络用于输出原始有雾图像对应的大气光照图像。
3.根据权利要求2所述的基于无监督学习的单张图像去雾方法，其特征在于，所述图像去雾模型的训练方法为：
A1、为图像去雾模型中的J-Net网络、T-Net网络和A-Net网络添加不同的损失函数；
A2、将一张有雾图像输入到图像去雾模型的三个网络中；
A3、在图像去雾模型对输入图像处理过程中，将每个网络的损失函数值通过梯度反向传播回对应的网络中，优化对应的网络参数，获得对应网络输出，完成图像去雾模型的训练。
4.根据权利要求2所述的基于无监督学习的单张图像去雾方法，其特征在于，所述步骤S1中的图像去雾模型的损失函数L为：
L＝LRec+LJ+LH+LKL+λLReg
式中，LRec为重构损失，LJ为J-Net网络的先验损失，LH为加在A-Net网络的线索先验，LKL为相对熵损失，LReg为平滑损失，λ为参数项。
5.根据权利要求4所述的基于无监督学习的单张图像去雾方法，其特征在于，所述重构损失LRec为：
LRec＝|I(x)-x|p
式中，x是输入的有雾图像，I(x)为通过J-Net、T-Net和A-Net网络的输出结果重构出的有雾图像，下标p为范数标号，I(x)＝fJ(x)fT(x)+fA(1-fT(x))，fJ(x)为J-Net网络输出的初步干净图像，fT(x)为T-Net网络输出的有雾图像对应的折射率图像，fA(x)为A-Net网络输出的有雾图像对应的大气光照图像；
在所述J-Net网络中，将输入有雾图像的颜色衰减作为J-Net网络的输出引导，得到先验损失LJ为：
LJ＝|V(fJ(x))-S(fJ(x))|p
式中，V和S分别为初步干净图像fJ(x)在HSV空间中的明亮度值和饱和度值；
在所述A-Net网络中，通过无监督的方法获取输入有雾图像的全局光照作为A-Net网络的约束，得到线索先验LH为：
LH＝|fA(x)-A(x)|p
式中，A(x)通过无监督方法获得的输入有雾图像的全局光照；
在所述A-Net网络中，将A-Net网络的隐层空间约束至标准高斯分布，得到相对熵损失LKL为：
式中，为隐变量z的第i维均值，为隐变量z的第i维方差；
在所述A-Net网络中，对A-Net网络输出的大气光照图像进行平滑约束，得到平滑损失LReg为：
式中，xj为大气光照图像中第j个像素点位置，N(xi)为xi的二阶近邻，m为大气光照图中的像素点总数。
6.根据权利要求5所述的基于无监督学习的单张图像去雾方法，其特征在于，所述步骤S3中，原始有雾图像对应的干净图像J为：
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。