本发明专利技术涉及图像去雾技术领域，具体是涉及一种基于神经网络模型的图像去雾方法、装置和设备。本发明专利技术先对大气散射模型进行变形，使得具有两个未知参数的大气散射模型变成只有一个未知参数的大气散射模型。然后通过神经网络计算唯一的未知参数的值，最后将该未知参数的值代入到大气散射模型就可以求得去雾图像。由于本发明专利技术只需要通过神经网络模型计算出一个参数的值，因此能够降低因计算多个参数值所带来的累积误差，从而提高了最后利用参数值所计算出来的去雾图像质量。算出来的去雾图像质量。算出来的去雾图像质量。
【技术实现步骤摘要】
一种基于神经网络模型的图像去雾方法、装置和设备
[0001]本专利技术涉及图像去雾
，具体是涉及一种基于神经网络模型的图像去雾方法、装置和设备。
技术介绍
[0002]在有雾或霾的场景中,光学传感器捕获的图像会受到大气颗粒的散射作用,导致图像的细节缺失、色彩暗淡、亮度降低,图像对比度和色彩保真度都会降低,这直接影响人们对图像的视觉感知,还会影响图像后期的处理,更会影响各类依赖于光学成像仪器的系统工作,如卫星遥感系统、航拍系统、室外监控和目标识别系统等。由于雾霾天气下大气颗粒的散射作用，通过视频和图像采集系统获取的图像通常可见度较低，将严重影响计算机视觉系统后续的目标识别、目标追踪等功能。因此为保障计算机视觉处理系统、交通出行、航空航天以及军事安全等方面的需要，对有雾图像进行去雾复原，提高有雾图像的清晰度和对比度。
[0003]何凯明博士的暗通道理论(双参数大气散射模型)首先根据有雾图像的暗通道图估计出大气层系数和透射率,然后再将大气层系数和透射率代入到双参数大气散射模型中，根据模型求得去雾图像。随着深度学习的高速发展,也把深度学习应用到图像去雾中,深度学习主要分为监督学习和无监督学习,图像去雾也就由此产生两种神经网络训练方法,一种是卷积神经网络(CNN)进行模型估计,另一种是神经对抗网络生成去雾图像。无论是卷积神经网络还是神经对抗网络都是分别对双参数大气散射模型中的大气层系数和透射率这两个参数进行计算，由于是分别计算两个参数的值，两次计算都无可避免会出现误差，那么两次误差的累加就会增大最终的计算误差，从而降低了去雾图像的质量。
[0004]综上所述，现有的去雾方法降低了去雾图像的质量。
[0005]因此，现有技术还有待改进和提高。
技术实现思路
[0006]为解决上述技术问题，本专利技术提供了一种基于神经网络模型的图像去雾方法、装置和设备，解决了现有的去雾方法降低了去雾图像质量的问题。
[0007]为实现上述目的，本专利技术采用了以下技术方案：
[0008]第一方面，本专利技术提供一种基于神经网络模型的图像去雾方法，其中，包括：
[0009]计算由单个参数构成的单参数大气散射模型；
[0010]将有雾图像输入到已训练的神经网络模型中，得到已训练的所述神经网络模型输出的所述单个参数所对应的参数值；
[0011]对所述有雾图像和所述参数值应用所述单参数大气散射模型，得到去雾图像。
[0012]在一种实现方式中，所述计算由单个参数构成的单参数大气散射模型，包括：
[0013]获取由透射率和大气层系数构成的双参数大气散射模型；
[0014]对所述双参数大气散射模型进行模型变形，将所述透射率和所述大气层系数合并
成单个参数，得到单参数大气散射模型。
[0015]在一种实现方式中，所述已训练的所述神经网络模型的训练方式包括：
[0016]依据所述神经网络模型，得到所述神经网络模型中的由第一卷积模块和第二卷积模块构成的双卷积模块网络模型；
[0017]获取有雾样本图像和有雾样本图像所对应的单个参数样本值；
[0018]将所述有雾样本图像输入到所述第一卷积模块，得到所述第一卷积模块输出的特征图；
[0019]将所述特征图输入到所述第二卷积模块，得到所述第二卷积模块输出的所述单个参数所对应的参数训练值；
[0020]依据所述参数训练值和所述单个参数样本值，训练所述双卷积模块网络模型，得到已训练的所述双卷积模块网络模型。
[0021]在一种实现方式中，所述将所述有雾样本图像输入到所述第一卷积模块，得到所述第一卷积模块输出的特征图，包括：
[0022]依据所述第一卷积模块，得到构成所述第一卷积模块的各个卷积层、以及位于各个所述卷层之间的池化层和上采样层；
[0023]将所述有雾样本图像输入到作为输入层的卷积层，得到作为输出层的上采样层输出的特征图。
[0024]在一种实现方式中，从靠近所述第一卷积模块的输入层至靠近作为所述第一卷积模块输出层的所述上采样层，各个所述卷积层的尺寸分别是11*11、9*9、7*7、5*5、3*3、1*1。
[0025]在一种实现方式中，所述将所述特征图输入到所述第二卷积模块，得到所述第二卷积模块输出的所述单个参数所对应的参数训练值，包括：
[0026]依据所述第二卷积模块，得到所述第二卷积模块中的第二卷积单元，所述第二卷积单元包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一连接层、第二连接层、第三连接层；
[0027]将所述特征图输入到所述第一卷积层，得到所述第一卷积层输出的第一结果；
[0028]将所述第一结果输入到所述第二卷积层，得到所述第二卷积层输出的第二结果；
[0029]将所述第一结果和所述第二结果输入到所述第一连接层，得到所述第一连接层输出的第一中间结果；
[0030]将所述第一中间结果输入到所述第三卷积层，得到所述第三卷积层输出的第三结果；
[0031]将所述第二结果和所述第三结果输入到所述第二连接层，得到所述第二连接层输出的第二中间结果；
[0032]将所述第二中间结果输入到所述第四卷积层，得到所述第四卷积层输出的第四结果；
[0033]将所述第四结果和所述第三结果输入到所述第三连接层，得到所述第三连接层输出的第三中间结果；
[0034]将所述第三中间结果输入到所述第五卷积层，得到所述第五卷积层输出的所述单个参数所对应的参数训练值。
[0035]在一种实现方式中，所述对所述有雾图像和所述参数值应用所述单参数大气散射
模型，得到去雾图像，包括：
[0036]对所述有雾图像和所述参数值应用非线性映射模型，得到映射之后的所述参数值，映射之后的所述参数值与所述有雾图像的像素点位置相对应；
[0037]对所述有雾图像和映射之后的所述参数值应用所述单参数大气散射模型，得到去雾图像。
[0038]第二方面，本专利技术实施例还提供一种基于神经网络模型的图像去雾装置，其中，所述装置包括如下组成部分：
[0039]模型计算模块，用于计算由单个参数构成的单参数大气散射模型；
[0040]参数值计算模块，用于将有雾图像输入到已训练的神经网络模型中，得到已训练的所述神经网络模型输出的所述单个参数所对应的参数值；
[0041]去雾模块，用于对所述有雾图像和所述参数值应用所述单参数大气散射模型，得到去雾图像。
[0042]第三方面，本专利技术实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于神经网络模型的图像去雾程序，所述处理器执行所述基于神经网络模型的图像去雾程序时，实现上述所述的基于神经网络模型的图像去雾方法的步骤。
[0043]第四方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络模型的图像去雾程序，所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络模型的图像去雾方法，其特征在于，包括：计算由单个参数构成的单参数大气散射模型；将有雾图像输入到已训练的神经网络模型中，得到已训练的所述神经网络模型输出的所述单个参数所对应的参数值；对所述有雾图像和所述参数值应用所述单参数大气散射模型，得到去雾图像。2.如权利要求1所述的基于神经网络模型的图像去雾方法，其特征在于，所述计算由单个参数构成的单参数大气散射模型，包括：获取由透射率和大气层系数构成的双参数大气散射模型；对所述双参数大气散射模型进行模型变形，将所述透射率和所述大气层系数合并成单个参数，得到单参数大气散射模型。3.如权利要求1所述的基于神经网络模型的图像去雾方法，其特征在于，所述已训练的所述神经网络模型的训练方式包括：依据所述神经网络模型，得到所述神经网络模型中的由第一卷积模块和第二卷积模块构成的双卷积模块网络模型；获取有雾样本图像和有雾样本图像所对应的单个参数样本值；将所述有雾样本图像输入到所述第一卷积模块，得到所述第一卷积模块输出的特征图；将所述特征图输入到所述第二卷积模块，得到所述第二卷积模块输出的所述单个参数所对应的参数训练值；依据所述参数训练值和所述单个参数样本值，训练所述双卷积模块网络模型，得到已训练的所述双卷积模块网络模型。4.如权利要求3所述的基于神经网络模型的图像去雾方法，其特征在于，所述将所述有雾样本图像输入到所述第一卷积模块，得到所述第一卷积模块输出的特征图，包括：依据所述第一卷积模块，得到构成所述第一卷积模块的各个卷积层、以及位于各个所述卷层之间的池化层和上采样层；将所述有雾样本图像输入到作为输入层的卷积层，得到作为输出层的上采样层输出的特征图。5.如权利要求4所述的基于神经网络模型的图像去雾方法，其特征在于，从靠近所述第一卷积模块的输入层至靠近作为所述第一卷积模块输出层的所述上采样层，各个所述卷积层的尺寸分别是11*11、9*9、7*7、5*5、3*3、1*1。6.如权利要求3所述的基于神经网络模型的图像去雾方法，其特征在于，所述将所述特征图输入到所述第二卷积模块，得到所述第二卷积模块输出的所述单个参数所对应的参数训练值，包括：依据所述第二卷积模块，得到所述第二卷积模块中的第二卷积单元，所述第二卷积单元包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷...
【专利技术属性】
技术研发人员：王勇，李新潮，
申请(专利权)人：吉林大学，
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。