一种基于神经网络的Retinex算法图像去雾方法技术

本发明专利技术涉及图像处理技术领域，尤其是一种基于神经网络的Retinex算法图像去雾方法，包括如下步骤：S1、数据的前期转换：把原图像的像素值由整数域转到对数域，减少后续算法的运算量对于彩色图像要先分解为R.G.B三幅灰度图再转换，即s(x,y)＝log(1+S(x,y))；S2、初始化一个与原图像S(x,y)同样大小的常数为t的矩阵，t是原图像亮度的均值；S3、求解S＝2P的值，P＝fix[log2min(m,n)

【技术实现步骤摘要】
一种基于神经网络的Retinex算法图像去雾方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于神经网络的Retinex算法图像去雾方法。

技术介绍

[0002]当前，随着输电线骨干网的快速发展，电网的安全运行承受巨大压力，且输电线路点多面广，通道环境复杂，需要及时查看当前状况。
[0003]高压电网输电线路一般情况下所处的地理环境、气候条件比较恶劣，由于光线不足等情况下获取的输电线路图像一般比较暗，目标与背景对比度低，图像质量下降，给正确识别和提取目标造成了很大困难。因此，为了提高检测精度，本项目提出一种多尺度Retinex去雾算法。该算法可有效去雾，并较好的保持了图像细节信息，为图像智能识别打下坚实基础。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在光线不足等情况下获取的输电线路图像一般比较暗，目标与背景对比度低，图像质量下降的缺点，而提出的一种基于神经网络的Retinex算法图像去雾方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]设计一种基于神经网络的Retinex算法图像去雾方法，包括如下步骤：
[0007]S1、数据的前期转换：把原图像的像素值由整数域转到对数域，减少后续算法的运算量对于彩色图像要先分解为R.G.B三幅灰度图再转换，因为RGB图像的像素值是(0,255)，在做对数运算时为避免负值的出现，可将原图像像素值整体加1，即s(x,y)＝log(1+S(x,y))；
[0008]S2、初始化一个与原图像S(x,y)同样大小的常数为t的矩阵，t是原图像亮度的均值；
[0009]S3、求解S＝2P的值，P＝fix[log2min(m,n)
‑
1]，其中S是目标点与两个比较点之间的最大距离；
[0010]S4、计算路径上的像素点；
[0011]S5、令S＝
‑
S/2；
[0012]每下一步的两个比较点与目标点的间距缩短为上一步的一半，同时方向按顺时针改变，即S＝
‑
S/2；
[0013]S6、重复S3、S4、S5，直到|S|<1；
[0014]S7、迭代n次，即重复S3、S4、S5、S6四个步骤n次，每次迭代选取不同的初始比较点；
[0015]S8、线性拉伸，彩色图像还需要三个通道的合成，然后输出显示。
[0016]优选的，由S2可知，若m*n的图像，则矩阵包含m*n个t，保证每个像素点都进行一次迭代。
[0017]优选的，在S3中，计算路径上的像素点的具体过程如下：
[0018]假设rn(x,y)是上一次迭代的结果，将此次迭代差值累加保存到相应的rn(x,y)位置中，最终得到此次的迭代结果，然后再对两者做一个平均，最后得到输出结果，
△
l是目标点在此路径上的亮度差；
[0019][0020][0021]优选的，在S8中，线性拉伸的具体过程如下：
[0022]经过像素间的比较校正n次迭代之后，输出结果是以初始化值t为中心，集中分布在t附近的一系列的浮点数，即说原图像的数据经过迭代后起到了压缩的效果，因此需要对迭代结果做线性拉伸处理，提高图像对比度，通常采用的8bit图像的动态范围值是0到255，拉伸公式：
[0023][0024]其中max和min分别是迭代结果的最大和最小值，R(x,y)是最终的增强结果。
[0025]优选的，所述Retinex算法是基于Retinex理论的MSR算法，提升复原图像的对比度。
[0026]本专利技术提出的一种基于神经网络的Retinex算法图像去雾方法，有益效果在于：本专利技术在FasterR
‑
CNN框架基础上改进分类部分的网络结构，并采用在ImageNet数据集上进行预训练的中型网络架构模块模型算法VGG_CNN_M_1024作为初始化参数模型，同时使用了Retinex算法进行去雾处理和画面增强，提高图像的清晰度和可辨识度，使图像更清晰易分辨，优化了处理效率。
附图说明
[0027]图1为Retinex模型示意图；
[0028]图2为人眼对亮度的感知能力示意图；
[0029]图3为Retinex算法基本流程图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0031]参照图1
‑
3，一种基于神经网络的Retinex算法图像去雾方法，包括如下步骤：
[0032]S1、数据的前期转换：把原图像的像素值由整数域转到对数域，减少后续算法的运算量对于彩色图像要先分解为R.G.B三幅灰度图再转换，因为RGB图像的像素值是(0,255)，在做对数运算时为避免负值的出现，可将原图像像素值整体加1，即s(x,y)＝log(1+S(x,y))；
[0033]S2、初始化一个与原图像S(x,y)同样大小的常数为t的矩阵，t是原图像亮度的均值；
[0034]若m*n的图像，则矩阵包含m*n个t，保证每个像素点都进行一次迭代；
[0035]S3、求解S＝2P的值，P＝fix[log2min(m,n)
‑
1]，其中S是目标点与两个比较点之间的最大距离；
[0036]S4、计算路径上的像素点，如下：
[0037]假设rn(x,y)是上一次迭代的结果，将此次迭代差值累加保存到相应的rn(x,y)位置中，最终得到此次的迭代结果，然后再对两者做一个平均，最后得到输出结果，
△
l是目标点在此路径上的亮度差；
[0038][0039][0040]S5、令S＝
‑
S/2；
[0041]每下一步的两个比较点与目标点的间距缩短为上一步的一半，同时方向按顺时针改变，即S＝
‑
S/2；
[0042]S6、重复S3、S4、S5，直到|S|<1；
[0043]S7、迭代n次，即重复S3、S4、S5、S6四个步骤n次，每次迭代选取不同的初始比较点；
[0044]S8、线性拉伸，彩色图像还需要三个通道的合成，然后输出显示，线性拉伸的具体过程如下：
[0045]经过像素间的比较校正n次迭代之后，输出结果是以初始化值t为中心，集中分布在t附近的一系列的浮点数，即说原图像的数据经过迭代后起到了压缩的效果，因此需要对迭代结果做线性拉伸处理，提高图像对比度，通常采用的8bit图像的动态范围值是0到255，拉伸公式：
[0046][0047]其中max和min分别是迭代结果的最大和最小值，R(x,y)是最终的增强结果。
[0048]所述Retinex算法是基于Retinex理论的MSR算法，提升复原图像的对比度。
[0049]由上可知，利用基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的Retinex算法图像去雾方法，其特征在于，包括如下步骤：S1、数据的前期转换：把原图像的像素值由整数域转到对数域，减少后续算法的运算量对于彩色图像要先分解为R.G.B三幅灰度图再转换，在做对数运算时为避免负值的出现，可将原图像像素值整体加1，即s(x,y)＝log(1+S(x,y))；S2、初始化一个与原图像S(x,y)同样大小的常数为t的矩阵，t是原图像亮度的均值；S3、求解S＝2P的值，P＝fix[log2min(m,n)
‑
1]，其中S是目标点与两个比较点之间的最大距离；S4、计算路径上的像素点；S5、令S＝
‑
S/2，每下一步的两个比较点与目标点的间距缩短为上一步的一半，同时方向按顺时针改变，即S＝
‑
S/2；S6、重复S3、S4、S5，直到|S|<1；S7、迭代n次，即重复S3、S4、S5、S6四个步骤n次，每次迭代选取不同的初始比较点；S8、线性拉伸，彩色图像还需要三个通道的合成，然后输出显示。2.根据权利要求1所述的基于神经网络的Retinex算法图像去雾方法，其特征在于，由S2可知，若m*n的图像，则矩阵包含m*n个t...

【专利技术属性】
技术研发人员：高炜，岳思辉，李琦，石金林，任红义，马福全，
申请(专利权)人：宁夏天能电力有限公司，
类型：发明
国别省市：