【技术实现步骤摘要】
基于贝叶斯框架下深度卷积神经网络的图像去雾方法
[0001]本专利技术涉及图像处理领域,特别涉及基于贝叶斯框架下深度卷积神经网络的图像去雾方法。
技术介绍
[0002]雾霾天气下,大气中漂浮着的细小灰尘和水汽不仅会危害人体健康,雾霾天气下道路能见度降低,机器拍摄的图像也产生对比度下降,细节不清,色彩昏暗等问题。这些低质量的图片、视频对高级机器视觉系统产生了恶劣影响,如交通监控系统、无人驾驶系统、目标检测系统、摇杆系统等等。因此,图像去雾在提升后续高级视觉系统的识别能力起着至关重要的作用。
[0003]目前,国内外已有不少对图像去雾算法的研究,图像去雾算法可以分为两大类:第一类,基于先验知识的图像去雾方法;第二类,基于深度学习的图像去雾方法。
[0004]基于先验知识的图像去雾方法,需要研究人员需要找到有雾图像和清晰图像之间的共同特征,即先验知识。研究人员通过将先验知识和雾霾形成的物理机制结合,从而对图像进行去雾处理。He等人[1]假设清晰图像通常在至少一个通道中具有低强度值,提出了暗通道先验去雾算法(DCP)。DCP算法结合大气散射模型,是基于先验知识的图像去雾方法中最为经典的方法之一。然而,DCP模型无法满足所有有雾图像去雾,在天空区域和其他不满足暗通道先验的区域,会发生颜色失真,过度曝光等问题。Berman等人[2]发现在RGB空间中清晰图像的颜色形成紧密的集群,想到清晰图像的某一颜色或许可以通过其他百种颜色近似。在此先验知识的基础上使用了非局部先验(NLD)的方法进行去雾处理。显然,NLD模型更 ...
【技术保护点】
【技术特征摘要】
1.基于贝叶斯框架下深度卷积神经网络的图像去雾方法,包括:步骤S1、获取合成雾天图像数据集ITS作为训练集,对训练集完成贝叶斯模型建模;步骤S2、通过有雾图像y推断潜在清晰图像z和包含雾霾信息的参数σ2,即求解概率分布p(z,σ2|y),构造概率分布q(z,σ2|y)来近似后验概率分布p(z,σ2|y),随后,通过公式变换得到优化网络参数的函数步骤S3、将合成雾天图像数据集输入到深度卷积神经网络模型BDCNet中,在训练的过程中,通过新的损失函数计算损失率,不断迭代更新网络参数,得到最优去雾模型,进行图像去雾操作。2.如权利要求1所述的基于贝叶斯框架下深度卷积神经网络的图像去雾方法,其特征在于:在步骤S1中所述贝叶斯模型建模具体为:假设合成雾天图像的训练集为y
j
有雾图像,x
j
清晰图像,自然雾天图像y
j
生成过程如下:y
i
~N(y
i
|z
i
,σ2),i=1,2...,d
ꢀꢀꢀꢀ
(1
‑
1)这里z∈R
d
是来自有雾图像y的潜在清晰图像,N(
·
|μ,σ2)表示均值为μ和方差为σ2的高斯分布,d是训练图像的长宽乘积,表示图像大小;将雾霾信息建模为等式(1
‑
1),等式中图像的像素是非独立且均匀分布的高斯分布,以期望更好地拟合真实场景中的复杂雾霾信息;在训练过程中,合成雾天数据集中的清晰图像x被用来估计潜在清晰图像z,假设在z上施加以下共轭高斯先验:其中,参数ε0表示z和x之间的差异,当ε0无线趋近于0,表示潜在清晰图像z更接近数据集中真实的清晰图像x;假设有以下共轭先验:有以下共轭先验:这里IG(
·
|α,β)是反伽玛分布,其参数为α和β,g(
·
;p)表示窗口大小为p的高斯滤波器,是y,x∈R
d
的矩阵形式,y是有雾图像,x是清晰图像;IG分布的模为ξ
i
,ξ
i
表示p
×
p窗口的高斯滤波器对方差图为的滤波输出。3.根据权利要求1所述的基于贝叶斯框架下深度卷积神经网络的图像去雾方法,其特征在于:在步骤S2中,构造概率分布q(z,σ2|y)来近似后验概率分布p(z,σ2|y),假设潜在清晰图像z和包含雾霾信息的参数σ2之间条件独立,得到等式(2
‑
1):q(z,σ2|y)=q(z|y)q(σ2|y)
ꢀꢀꢀ
(2
‑
1)对于训练集中有雾图像y及其清晰图像x,可以将其边际似然分解为如下形式:logp(y;z,σ2)=L(z,σ2;y)+D
KL
(q(z,σ2|y)||p(z,σ2|y))
ꢀꢀꢀ
(3
‑
1)其中,
这里E
p(x)
[f(x)]表示f(x)对具有概率密度函数p(x)的随机变量x的期望;D
KL
表示变分近似后验q(z,σ2|y)和具有非负值的真实后验p(z,σ2|y)的两个概率分布信息熵的差值,称为KL散度;由于KL散度具有非负性,公式(3
‑
1)中等号右边第一项L(z,σ2;y)构成logp(y|z,σ2)的下界,通常称为证据下界ELBO;因此,有:logp(y:z,σ2)≥L(z,σ2;y)
ꢀꢀꢀ
(3
‑
3)联立公式(2
‑
1)和公式(3
‑
2),下界可以重写为:现在,得到优化网络参数的期望目标函数,如下所示:4.根据权利要求1所述的基于贝叶斯框架的深度卷积神经网络的图像去雾...
【专利技术属性】
技术研发人员:严家佳,
申请(专利权)人:南京特殊教育师范学院,
类型:发明
国别省市:
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。