一种LSD二次分割和深度学习相结合的不均匀去雾方法技术

本发明专利技术一种LSD二次分割和深度学习相结合的不均匀去雾方法，属于图像处理技术领域。其特征在于：本发明专利技术通过如下步骤进行：步骤1、获取雾霾图像数据集；步骤2、LSD二次分割；步骤3、进行薄雾处理和浓雾处理；步骤4、直方图校正；拼接之前先对所有的图像块进行直方图校正，以保证重构图像块与块之间色彩一致；步骤5、图像拼接；步骤6、通过改进中值滤波和全变分平滑消除拼接缝；最后得到去雾图像。本发明专利技术主要解决对有雾图像的不均匀程度无法处理统一，在去雾不均匀问题中，还在光晕和块状伪影方面会丢失很多图像细节，丧失了图片的真实性等方面存在的问题。的问题。的问题。

【技术实现步骤摘要】
一种LSD二次分割和深度学习相结合的不均匀去雾方法


[0001]本专利技术属于图像处理
，特别是涉及一种LSD二次分割和深度学习相结合的不均匀去雾方法。

技术介绍

[0002]近年来，环境污染问题造成了大量雾霾天气的出现。在雾天情况下，可见度低，模糊了物体和环境，远处的物体容易识别不出，易丢失图像细节、边缘信息，包括雾霾的不均匀程度分布，上述情况导致了雾天环境下获取图像质量降低。因此，为了得到清晰的图像，研究人员对图像去雾处理方法展开了大量研究。
[0003]目前，图像去雾方法主要分为两大类。第一类是基于先验的去雾算法。例如，Fattal根据物体表面阴影和透射图之间不存在局部统计相关性的先验知识来估计透射图。但是，对于基于先验的去雾方法，恢复时间所耗费时间长，无法满足工业界实时性要求，而且，依赖各种先验知识的去雾算法无法满足所有场景的需求。第二类是基于深度学习的去雾算法，例如Li等人首次提出了一种CNN构建的端到端去雾模型，称为多合一除雾网络(AOD
‑
Net),其主要优点是它可以通过CNN从单个模糊图像直接获得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种LSD二次分割和深度学习相结合的不均匀去雾方法，其特征在于：包括以下步骤：步骤1、获取雾霾图像数据集；步骤2、LSD二次分割；首先在原图像每个点的坐标上计算其亮度和饱和度的差值，设定初始差值阈值为该图像差值最大的点和差值最小的点的平均差值，把雾度较浓和雾度较薄的区域分别分割出来，将其分割为mn块，在分割的过程中不断更新预设阈值；在分割的基础上再进行分割，使得每一小块内的差值在一定范围内，以保证分割后的每一小块雾度是均匀的；步骤3、进行薄雾处理和浓雾处理；薄雾处理是在U
‑
Net上建立编码器和解码器；编码器有四个卷积块，每个卷积块包含2条3
×
3的卷积滤波器链，批量归一化层和ReLU激活函数；在每个卷积块后执行最大池操作，解码器包括四个放大块，每个块包括像素混洗层，然后是大小为3
×
3的卷积滤波器、批量归一化和ReLU激活,解码器的结果被传递到滤波器大小为1
×
1的卷积层,得到清晰图像；浓雾处理是采用加权平均图像融合策略自适应地提高传输图估计的精度；给初始透射图分配较大的权重，给伽马校正版本分配较低的权重；将初始透射图和通过DCP并通过伽马校正得到的透射图融合，以自适应地提高传输图估计的精度；然后对每块图像融合后的透射图进行导向滤波；最后，通过大气散射模型I(X)＝J(X)T(X)+A(1
‑
T(X))得到去雾后的图像块；公式中，I(X)表示有雾图像，J(X)表示无雾图像，T(X)表示透射图，A表示大气光；步骤4、直方图校正；拼接之前先对所有的图像块进行直方图校正，以保证重构图像块与块之间色彩一致；步骤5、图像拼接；通过直方图相似度对比,实现乱序图像块复原；将块图像的左右边缘提取保存，左右边缘两两对比，将相似度超过预设阈值的块图像执行拼接操作，得到左右拼接好的图像；提取左右拼接好的块图像的上下边缘，上下边缘两两对比，将相似度超过预设阈值的块图像执行拼接操作，得到无雾图像；步骤6、通过改进中值滤波和全变分平滑消除拼接缝；对中值滤波进行改进，通过设定的阈值引导拼接缝两侧进行灰度修正，方法只对两侧满足设定条件的像素点进行修正，不满足条件的像素点保持不变；在拼接缝处的灰度差异有所减弱；全变分平滑方法对中值滤波后的图像进行进一步处理,保证边缘细节不受影响；最后得到去雾图像。2.根据权利要求1所述的一种LSD二次分割和深度学习相结合的不均匀去雾方法，其特征在于：在步骤1中，使用RESIDE数据集，RESIDE数据集为一个合成数据集，由五个子集组成：室内训练集、户外训练集、综合目标测试集、现实世界任务驱动测试集和混合主观测试集；室内训练集、户外训练集和综合目标测试集为合成数据集，现实世界任务驱动测试集为真实数据集，混合主观测试集由合成和真实的模糊图像组成的数据集。3.根据权利要求1所述的一种LSD二次分割和深度学习相结合的不均匀去雾方法，其特征在于：在步骤2的LSD二次分割中，按照如下步骤进行：输入步骤1中的数据集，将每个数据集进行分割处理；2.1定义每个点的坐标，根据颜色衰减先验，亮度和饱和度的差成正比分割，差值越大，浓度越高；差值越小，浓度越低；2.2根据图像特点将图像分为m*n份，即mn块，将每一块的中心选为中心点，共mn个中心
点，计算每个中心点的亮度和饱和度的差值c(x)，设置原图像最大和最小的平均差值为初始阈值，即：c(x)＝l(x)
‑
s(x)其中，l(x)表示亮度，s(x)表示饱和度；h表示预设阈值；x表示像素点坐标；2.3若该块的每个点的坐标的差值大于等于或小于等于预设阈值，则向外扩大Φ(x)，直至最大可能范围在预设阈值范围内，即：设第一次分割后每一块范围为s；若任意c(x)≥h或c(x)≤h，则其范围向外扩大Φ(x)；2.4若该块某坐标的差值不在预设阈值范围内，则逐渐缩小Φ(x)，直至最大可能范围在预设阈值范围内；即：在s中，若存在或则其范围向内缩小Φ(x)；2.5预设阈值根据每块的划分会逐渐更新；2.6将分割后的每一块进行自适应分割，每一小块的差值相差小于等于r，保证每一小块的雾度相对均匀；即：设第二次分割后每一小块的范围为s
’
任意s
’
中，c
max
(x)
‑
c
min
(x)≤r；r表示每一小块中最大差值和最小差值的最大范围；2.7将每一小块分成浓雾块和薄雾块。4.根据权利要求1所述的一种LSD二次分割和深度学习相结合的不均匀去雾方法，其特征在于：在步骤3的进行薄雾处理和浓雾处理的步骤中，U
‑
Net编码器解码器结构去除薄雾；首先建立在编码器解码器架构U
‑
Net之上，编码器是使用4个卷积块将噪声输入图像表示到一个潜在空间中，这些卷积块在不同尺度上提取相关特征，每个卷积块包括2条大...

【专利技术属性】
技术研发人员：汤永华，孟妍君，张志鹏，林森，石非凡，刘兴通，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：