一种基于U-Net的图像去雾方法技术

本发明专利技术涉及一种基于U‑Net的图像去雾方法，通过深度学习模型估计出无雾图像与有雾图像之间的残差，然后用输入的有雾图像加上残差图像得到去雾结果。本发明专利技术的去雾效果优于现有的几种图像去雾算法。

【技术实现步骤摘要】
一种基于U-Net的图像去雾方法
本专利技术涉及有雾图像处理
，特别是一种基于U-Net的图像去雾方法。
技术介绍
随着全球污染的加剧，雾霾天气出现得越来越频繁。有雾天气下能见度低，给人们的日常生活带来不便。如今，随着人工智能的普及，图像雾气限制了计算机视觉的应用，例如，自动驾驶、视频监控、遥感卫星成像。图像去雾已经成为计算机视觉中的重要研究课题，其旨在通过去除图像雾气来将有雾图像恢复为无雾图像。现有的图像去雾方法主要分为两类：传统的基于先验知识的方法、基于深度学习的方法。传统的基于先验知识的方法通常先估计大气光值和有雾图像的透射率图，然后使用经典的大气散射模型估计出相应的无雾图像。例如，He等人首次提出了暗通道先验的概念，用于估计透射率图，但其图像去雾结果的天空区域容易出现颜色失真。Zhu等人首先提出了颜色衰减先验，建立了估计图像场景深度的线性模型，并使用估计的深度推导透射率图。基于先验知识的方法通常具有较低的时间复杂度，但很难找到通用的先验知识，从而导致图像去雾效果不稳定。基于深度学习的方法通常先设计一个深度神经网络来本文档来自技高网...

【技术保护点】
1.一种基于U-Net的图像去雾方法，其特征在于，通过深度学习模型估计出无雾图像与有雾图像之间的残差，然后用输入的有雾图像加上残差图像得到去雾结果。/n

【技术特征摘要】
1.一种基于U-Net的图像去雾方法，其特征在于，通过深度学习模型估计出无雾图像与有雾图像之间的残差，然后用输入的有雾图像加上残差图像得到去雾结果。


2.根据权利要求1所述的一种基于U-Net的图像去雾方法，其特征在于，所述通过深度学习模型估计出无雾图像与有雾图像之间的残差具体为：
构建深度学习模型，该模型包括编码模块、瓶颈模块以及解码模块；
在编码模块使用包含标准卷积和空洞卷积的混合卷积来扩大感受野以更好地提取图像浅层特征；
在瓶颈模块使用残差块防止网络性能下降；
通过解码模块提取图像深层特征并获得残差图像。


3.根据权利要求1所述的一种基于U-Net的图像去雾方法，其特征在于，所述深度学习模型中使用的激活函数和归一化操作分别是参数整流线性单元PReLU和组归一化GN。


4.根据权利要求2所述的一种基于U-Net的图像去雾方法，其特征在于，所述瓶颈模块中包括七个残差模块，所述残差模块采用残差网络ResNet。


5.根据权利要求1所述的一种基于U-Net的图像去雾方法，其特征在于，所述深度学习模型在训练时所采用的损失函...

【专利技术属性】
技术研发人员：李佐勇，冯婷，余兆钗，曹新容，王传胜，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建;35