一种服务于雾天复杂场景下成像计算及数据恢复方法技术

本发明专利技术公开了一种服务于雾天复杂场景下成像计算及数据恢复方法，将复杂场景下成像数据计算分解为亮度空间和色彩空间数据。通过平滑先验特征建模构建亮度空间成像数据的损失函数，进一步通过损失函数优化计算对亮度空间成像数据进行恢复；通过白平衡方法对色彩空间成像数据进行恢复；将恢复后的亮度空间成像数据和色彩空间成像数据进行组合，形成复杂场景下成像数据恢复结果。本发明专利技术所公开技术能够稳定高效地应用于复杂场景下成像数据计算和恢复。复。复。

【技术实现步骤摘要】
一种服务于雾天复杂场景下成像计算及数据恢复方法


[0001]本专利技术涉及一种复杂场景下成像计算及数据恢复方法，具体是建立一种平滑先验特征模型构造了亮度空间中成像数据的损失函数用于分离出亮度空间中的清晰成像数据；将其与通过白平衡计算后得到的色彩空间中的成像数据组合，形成复杂场景下成像数据恢复结果，属于数据恢复、成像计算


技术介绍

[0002]高散射环境是成像探测中所常见的复杂场景。由于复杂场景中的前向和后向散射作用，成像噪声强烈，成像质量严重降低，依赖于后处理技术以提高成像数据质量。其中，成像数据恢复是一种重要的技术手段。不同于其他数据质量提高方法，成像恢复基于物理成像模型，通过对成像模型的反变换获得清晰的成像数据，具有较好的可解释性和收敛性，已发展成为该领域中的主流方法。然而，本质上对于成像模型的反变换是一种“病态”问题，有赖于先验模型。其中，暗信道先验模型已在典型复杂场景下成像数据恢复应用中获得了成功。然而，在复杂场景下，尤其是非均匀光照的条件下，暗信道先验模型的鲁棒性严重降低，导致成像恢复结果中存在大量的畸变，成像数据恢复的成效严重降低。为了解决这一问题，本专利技术公开了一种区分亮度空间和色彩空间的成像数据恢复方法，对两个空间中的成像数据分别进行成像数据恢复并组合。在亮度空间中，提出了一种平滑先验特征，特别用于亮度空间中成像数据恢复。将亮度空间中成像数据恢复结果与色彩空间中的数据恢复结果组合，得到复杂场景下成像数据恢复结果。

技术实现思路

[0003]专利技术目的：针对现有技术难以稳定鲁棒地实现复杂场景下成像数据恢复，本专利技术提供了一种复杂场景下成像计算及数据恢复方法，将原始的成像数据分解为亮度空间中的成像数据和色彩空间中的成像数据，采用平滑先验特征建模在亮度空间中对成像数据进行恢复，采用白平衡方法对色彩空间数据进行恢复，将恢复后的亮度空间和色彩空间中的成像数据组合，形成复杂场景下成像数据恢复结果。能够有效服务于井下、水下、雾天等强复杂环境中的成像数据恢复。
[0004]为实现上述目的，本专利技术提出一种复杂场景下成像计算及数据恢复方法，其特征在于，包括以下步骤：
[0005]A、将复杂场景下成像数据计算分解为亮度空间和色彩空间的成像数据；
[0006]B、对两个空间中的成像数据分别进行成像计算及数据恢复，其中，在亮度空间中通过平滑先验特征建模建立亮度空间数据损失函数，通过亮度空间数据损失函数优化分离复杂场景下亮度空间中的清晰成像数据和噪声成像数据，将亮度空间中的清晰成像数据作为复杂场景下亮度空间成像数据恢复结果；基于白平衡方法对色彩空间成像数据进行恢复；
[0007]C、将亮度空间和色彩空间恢复后的成像数据进行组合，形成复杂场景下成像数据
恢复结果。
[0008]所述对亮度空间中的成像数据通过平滑先验特征建模建立亮度空间成像数据损失函数的方法，包括如下步骤：
[0009]首先，将亮度空间中的成像数据L表示为：
[0010]L＝J+B
[0011]其中，L为复杂场景下原始成像数据，J为复杂场景下清晰成像数据，B为复杂场景下亮度空间中的噪声成像数据；
[0012]然后，平滑先验特征：复杂场景下噪声成像数据B比清晰成像数据J更平滑性，梯度分布密度更小；即复杂场景下噪声成像数据B的梯度分布密度小于复杂场景下清晰成像数据J的梯度分布密度，可表示为:
[0013]P
J
(
▽
x
J)＞P
B
(
▽
x
B)
[0014]其中，
[0015]其中，
▽
x
J、
▽
x
B为清晰成像数据J和噪声成像数据B在像素x处的梯度，P
J
(
▽
x
J)、P
B
(
▽
x
B)为清晰成像数据J和噪声成像数据B梯度的概率密度函数；w是正则化参数，参数τ是截断值；σ1和σ2为清晰成像数据J和噪声成像数据B高斯分布的标准方差；
[0016]在亮度空间中通过平滑先验特征建模建立亮度空间数据损失函数：在L＝J+B的约束下，当P
J
(
▽
x
J)最大且P
B
(
▽
x
B)最小时能够最优分离清晰成像数据J和噪声成像数据B，据此建立损失函数：
[0017][0018]其中符号*为卷积操作，||
·
||
F
为弗罗贝尼乌斯范数，f1＝[
‑
1,1]为一阶水平梯度算子，f2＝[
‑
1,1]T
为一阶竖直梯度算子，为二阶Laplace算子，ρ()为ρ(a)＝min{a2/k,1}，λ、k为小常数。
[0019]所述的通过亮度空间数据损失函数优化分离复杂场景下亮度空间中的清晰成像数据的方法，包括：
[0020][0021]其中，α是权重参数，F表示快速傅里叶变换，表示复共轭，为了避免分母为零，引入了一个极小的正常数ε。
[0022]基于白平衡方法对色彩空间数据进行恢复的方法，包括：将恢复后的亮度空间成
像数据和色彩空间成像数据进行组合变化，形成复杂场景下成像数据恢复结果；采用白平衡的方法对色彩空间中的成像数据[a b]进行恢复，得到[a
′ꢀ
b
′
]，与J
′
组合形成亮度
‑
色彩空间中的[J
′
,a
′
,b
′
]数据，作为复杂场景下成像数据恢复结果。
[0023]本专利技术的复杂场景下成像计算及数据恢复方法，将复杂场景下的原始成像数据分解为亮度、色彩空间中的原始成像数据，分别对亮度空间和色彩空间中的原始成像数据进行恢复。
[0024]所述的平滑先验特征为：在亮度空间中的原始成像数据可以表达为清晰成像数据加上噪声成像数据。其中，噪声成像数据比较清晰成像数据更加平滑。
[0025]随后，建立基于平滑先验特征关于清晰成像数据和噪声成像数据的损失函数。
[0026]随后，通过损失函数的优化分离清晰成像数据和噪声成像数据，将清晰成像数据作为亮度空间中成像数据的恢复结果。
[0027]随后，通过白平衡方法对色彩空间数据进行恢复。
[0028]随后，将亮度空间和色彩中成像数据的恢复结果组合，形成复杂场景下成像数据恢复结果。
附图说明
[0029]图1为本专利技术实施例的方法流程图；
[0030]图2为本专利技术结果及与现有方法的比较。
具体实施方式
[0031]下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服务于雾天复杂场景下成像计算及数据恢复方法，其特征在于，包括以下步骤：A、将复杂场景下成像数据计算分解为亮度空间和色彩空间的成像数据；B、对两个空间中的成像数据分别进行成像计算及数据恢复，其中，在亮度空间中通过平滑先验特征建模建立亮度空间数据损失函数，通过亮度空间数据损失函数优化分离复杂场景下亮度空间中的清晰成像数据和噪声成像数据，将亮度空间中的清晰成像数据作为复杂场景下亮度空间成像数据恢复结果；基于白平衡方法对色彩空间成像数据进行恢复；C、将亮度空间和色彩空间恢复后的成像数据进行组合，形成复杂场景下成像数据恢复结果；所述的平滑先验特征为：在亮度空间中的原始成像数据表达为清晰成像数据加上噪声成像数据；所述在亮度空间中的成像数据通过平滑先验特征建模建立亮度空间成像数据损失函数的方法，包括如下步骤：首先，将亮度空间中的成像数据L表示为：L＝J+B其中，L为复杂场景下原始成像数据，J为复杂场景下清晰成像数据，B为复杂场景下亮度空间中的噪声成像数据；然后，平滑先验特征：复杂场景下噪声成像数据B比清晰成像数据J更平滑性，梯度分布密度更小；即复杂场景下噪声成像数据B的梯度分布密度小于复杂场景下清晰成像数据J的梯度分布密度，表示为：其中，其中，为清晰成像数据J和噪声成像数据B在像素x处的梯度，为清晰成像数据J和噪声成像数据B梯度的概率密度函数；w是正则化...

【专利技术属性】
技术研发人员：李柯，徐立中，周丹，
申请(专利权)人：南昌理工学院，
类型：发明
国别省市：