【技术实现步骤摘要】
基于贝叶斯卷积神经网络的图像去雾方法及存储介质
本专利技术涉及图像处理领域，特别涉及一种基于贝叶斯卷积神经网络的图像去雾方法及存储介质。
技术介绍
雾霾常见于城市，是一种灾害性自然天气现象，雾霾的形成主要是空气中悬浮的大量微粒和气象条件共同作用的结果。雾霾的产生导致捕获的室外图像不清晰对比度差，图像质量的下降让人类很难识别图像的内容，同时也对许多摄影领域和计算机视觉任务造成了影响，如视频监控、目标识别、图像分类、目标跟踪等。因此，如何改善低质量图像，减小雾霾导致的不利影响就显得尤为重要。目前，图像去雾的主流方法分为两种。一种是基于先验知识的去雾方法，该方法具体的是一种局部对比度最大化的算法，能够实现提高图像的视觉效果达到去雾的目的，但易出现颜色失真的缺陷。经过观察，发现在晴朗的室外图像中，除了天空区域，其他像素点都会有一个颜色通道具有很低的值，由此提出一种暗通道先验去雾算法，但在天空区域和其他不满足暗通道先验的区域出现颜色失真现象。另一种是基于深度学习的去雾方法，具体的是一个新的网络结构DehazeNet(含有可解释...
【技术保护点】
1.一种基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，包括：/n步骤S1、获取RESIDE数据集，采用所述RESIDE数据集中的ITS数据集作为训练集，SOTS数据集作为测试集；/n步骤S2、将所述训练集输入至贝叶斯卷积神经网络内，对所述贝叶斯卷积神经网络进行训练得到最优模型；/n步骤S3、将所述测试集输入至所述最优模型，采用所述最优模型对所述测试集进行端对端的去雾处理，并输出去雾图像。/n
【技术特征摘要】
1.一种基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，包括：
步骤S1、获取RESIDE数据集，采用所述RESIDE数据集中的ITS数据集作为训练集，SOTS数据集作为测试集；
步骤S2、将所述训练集输入至贝叶斯卷积神经网络内，对所述贝叶斯卷积神经网络进行训练得到最优模型；
步骤S3、将所述测试集输入至所述最优模型，采用所述最优模型对所述测试集进行端对端的去雾处理，并输出去雾图像。
2.如权利要求1所述的基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，所述ITS数据集为室内雾霾图像数据集，包含n张清晰图像和10*n张雾霾图像；
所述SOTS数据集包括室内雾霾图像数据集和室外雾霾图像数据集，所述室内雾霾图像数据集包含m张清晰图像和10*m张雾霾图像；所述室外雾霾图像数据集包含m1张清晰图像和与之对应的m1张雾霾图像。
3.如权利要求1或2所述的基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，
所述贝叶斯卷积神经网络包括3个编码层、18个残差块和3个解码层；每一所述编码层和每一所述解码层结构相同，每一所述编码层包含一层卷积和一层激活函数层，每一所述残差块包含两层卷积和一个激活函数层，其中所述激活函数层中激活函数采用PReLU。
4.如权利要求3所述的基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，所述步骤S2包括：对所述贝叶斯卷积神经网络建模：
假设所述贝叶斯卷积神经网络的网络参数为W，p(W)是参数的先验分布，给定数据集D＝{(X,Y)}，这里X是输入数据，Y是标签数据；所述贝叶斯卷积神经网络给出以下分布：
P(Y*|X*,D)＝∫P(Y*|X*,W)P(W|D)dW
根据贝叶斯理论，后验概率P(W|D)表示如下：
式中，P(W|D)是后验分布，P(D|W)是似然函数，P(D)是边缘似然；
用概率分布q(ω|θ)来近似表示后验概率p(W|D)；
其中θ＝(μ,σ)，θ表示均值μ，标准差为σ的集合，ω表示权重；第i组数据的权重ωi从正态分布(μi,σi)中采样，i表示第i组数据，μi表示第i组数据的均值，σi表示第i组数据的标准差；
通过KL散度优化所述后验分布P(W|D)和概率分布q(ω|θ)的距离θ*：
式中，由于P(D)是常数不取决于θ在推导中忽略不计，q(ω|θ)表示给定正态分布的参数后权重参数的分布，P(D|ω)表示给定网络参数后观测数据的似然，P(ω)表示权重的先验，这部分作为贝叶斯卷积神经网络模型的正则化；Eq(ω|θ)表示具有概率密度函数q(ω|θ)的期望；
采用公式L来表示变分下界ELBO如下：
式中，L表示变分下界；D＝{(x,y)}，...
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。