【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及基于深度学习改进的aod-net交通道路图像去雾算法。
技术介绍
1、气溶胶，如粉尘、薄雾和烟雾等，存在于空气中，导致雾霾天气给相机捕捉到的图像引入了复杂的噪声。这种噪声降低了图像的可见性和对比度，使得表面颜色显得模糊。这对于后续的高级计算机视觉任务，例如物体检测和识别，构成了一项挑战。因此，提出一种有效且可行的去雾算法对于理论和实际应用都具有重要意义。
2、对雾天图像的处理方法主要分为三类：雾天图像增强、雾天图像复原以及深度学习技术的算法。雾天图像增强方法主要关注于通过各种图像处理技术来增强雾天图像，而不是考虑图像退化的具体原因。具有广泛的适用性，能有效提高雾天图像的对比度、增强图像细节，改善视觉效果。然而，这些方法可能会在突出部分的信息上造成一定的损失。雾天图像复原方法通过深入理解雾霾天气下图像退化的物理过程，建立相应的数学模型，并通过算法对图像进行修复，以获得清晰、真实的无雾图像或最优估计值。这些方法通常侧重于解决雾霾引起的图像失真问题，提高图像质量。在这类方法中，何凯明等人提出的暗原色先验算法备受关注。该算法通过经验规则分别估计大气光，基于物理模型恢复清晰图像。然而，由于传输矩阵和大气光估计中的误差会累积并相互放大，传统的单独管道方法可能导致次优的图像恢复质量。
3、根据上述问题，aod-net是第一个提出端到端可训练的去雾模型，其设计基于重新配制的大气散射模型，通过在一个统一模型中估算所有参数，减少了去雾过程中的误差。但是在道路数据集上，存在雾霾去雾效果不好远处雾
技术实现思路
1、本专利技术基于aod-net算法改进的图像去雾算法，结合暗通道做预处理、复合损失函数使用和对图像进行色彩增强等后处理，有效地提高了图像的去雾处理效果。
2、为达到上述专利技术的目的，包括以下步骤：
3、一种基于改进aod-net的交通道路图像去雾算法，包括以下步骤：
4、步骤1：建立样本图像数据集，包括训练样本和测试样本；
5、步骤2：将步骤1的公开数据集kitti进行人工雾合成，合成后的雾数据集为ditti；
6、步骤3：建立aod-net模型，并将步骤1的训练集送入所建立的aod-net模型进行训练；
7、步骤4：对经过步骤3去雾后的图像进行色彩增强，通过调整图像的色彩饱和度、对比度和亮度等，来增强图像的色彩效果；
8、通过以上步骤对交通道路图像进行去雾。
9、还包括步骤5：对步骤1测试样本使用天空分割的方法把天空和地面进行分割处理获得去雾前后雾的浓度值；通过步骤5获得去雾前后的浓度值，浓度值可以反映雾的强度或密度的变化，比较去雾前后雾的浓度值，可量化去雾算法对雾图像的改善程度。
10、在步骤2中，合成过程为：
11、步骤2-1：对步骤2中kitti数据集中的干净图片使用单目深度估计自监督深度学习算法获得其对应的深度图；
12、步骤2-2：将步骤2-1的干净图片和对应的深度图使用大气散射模型，其中i(x)是有雾图像，j(x)是真实图像，a是大气光值，t是透射图，并将大气光值a[0.8,1]，散射系数[0.4,2.0]，生成相应的雾图像，取名为dkitti数据集。
13、在步骤3中，所建立的aod-net模型在使用时，包括以下步骤：
14、步骤3-1：将输入雾图像i(x)使用暗通道进行初步的雾处理得到特征图，经过暗通道处理后的图片会消除部分雾；
15、步骤3-2：把步骤3-1经过暗通道处理后的图像送到网络结构中的干净图像生成模块(k-estimation模块)得到特征图k(x)；为了使得最终的去雾效果更接近真实图像，对原始图片进行逐点卷积和像素注意力机制(pa)进行处理后得到特征图f(x)，特征图f(x)与特征图k(x)图像进行融合，可以使得去雾后的图片获得更多的原始信息，这样得到新的特征图；
16、步骤3-3：在根据大气散射模型进行去雾算法时，必须获得大气光值a和透射率t两个参数；然而，直接处理这两个参数可能导致误差在计算中累积或者进一步放大；为了解决这个问题，对大气散射模型进行重新配制，将大气光值a和透射率t集成到新的变量k(x)中，以减少单独计算带来的误差，k(x)的表示如下：；这一调整允许更精确地表达去雾过程，降低了误差累积的潜在问题；重新配制的大气散射模型为，将步骤3-2中获得新的特征图和雾图片i(x)根据配制的大气散射模型，获得最终无雾图j(x)。
17、在步骤3-1中，在使用暗通道进行初步的雾处理得到特征图时，采用以下步骤：
18、步骤3-1-1：计算暗通道图像：对输入的雾图像i(x)，使用一个局部窗口，以像素点x为中心，提取窗口内每个像素在各通道上的最小值，这一步得到的图像称为暗通道图像j(x)；
19、步骤3-1-2：估计大气光值a：对暗通道图像j(x)进行全局最大值操作，得到整幅图像的最大值，这个最大值通常对应于雾中的大气光，用a表示；
20、步骤3-1-3：估计透射率t：使用透射率估计模型，采用t(x)=1-w⋅j(x)，其中，w是常数，j(x)为暗通道图像；
21、步骤3-1-4：根据公式得到暗通道处理后的图像；
22、其中i(x)是输入的雾图像，a是估计得到的大气光值，t(x)的估计得到的透射率，max(t(x),t0)是为了防止透射率过小而引起图像放大的情况，其中t0是一个小正数。
23、在步骤4中，在进行色彩增强时，采用以下步骤：
24、4-1：将去雾后的图像j(x)从rgb色彩空间转换到hsv色彩空间，在这个新的色彩空间里，h代表色调(hue)、s代表饱和度(saturation)和v代表亮度(value)；
25、4-2：在hsv色彩空间中，根据设定的增强系数对色调(hue)、饱和度(saturation)和亮度(value)通道进行修改，这里选择1.2作为增强系数，这个数值可以使得图像的色彩更加鲜明、饱满；
26、4-3：当对色调(hue)、饱和度(saturation)和亮度(value)这三个通道进行修改后，将修改后的图像从hsv色彩空间转换回rgb色彩空间，就获得了经过色彩增强处理的无雾图像。
27、在步骤5中，在使用天空分割方法得出雾值时，采用以下步骤：
28、5-1：先将图像从当前色彩空间转换为lab颜色空间，在lab色彩空间中，每个像素由l、a和b三个通道的值组成，其中l通道代表亮度、a和b通道代表色彩，对亮度通道进行提取，并应用自适应阈值分割得到二值图像，因为阈值分割是基于像素的亮度值进行分类的，所以提取l通道的亮度信息可以更好地指导阈值分割的过程；
29、5-2：对二值图像进行形态学操作，用来去除噪声和填充空洞，最后进行连通域分析，将天空和本文档来自技高网...
【技术保护点】
1.一种基于改进AOD-Net的交通道路图像去雾算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，还包括步骤5：对步骤1测试样本使用天空分割的方法把天空和地面进行分割处理获得去雾前后雾的浓度值；通过步骤5获得去雾前后的浓度值，浓度值可以反映雾的强度或密度的变化，比较去雾前后雾的浓度值，可量化去雾算法对雾图像的改善程度。
3.根据权利要求1所述的方法，其特征在于，在步骤2中，合成过程为：
4.根据权利要求1所述的方法，其特征在于，在步骤3中，所建立的AOD-Net模型在使用时，包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，在步骤3-1中，在使用暗通道进行初步的雾处理得到特征图时，采用以下步骤：
6.根据权利要求1至5其中之一所述的方法，其特征在于，在步骤4中，在进行色彩增强时，采用以下步骤：
7.根据权利要求1至5其中之一所述的方法，其特征在于，在步骤5中，在使用天空分割方法得出雾值时，采用以下步骤：
8.根据权利要求1所述的方法，其特征在于，在步骤3训练网络时
9.根据权利要求4所述的方法，其特征在于，在步骤3中，对AOD-Net模型的K-estimation模块进行了改进，改进的干净图像生成模块即K-estimation模块如下：
10.根据权利要求1所述的方法，其特征在于，对于数据集的选取，使用混合数据集，其中包括使用NYU2深度数据集的合成地面真实图像，并设置不同的大气光值，从中取出1500张图像做训练集，加上DKITTI数据集1267张合成图像做训练集；对于测试样本，使用公开的标准雾天道路图像库中所包含的250张数字合成雾天道路图像与DKITTI中所包含的100张数字合成雾天道路图像所组成的测试数据集。
...【技术特征摘要】
1.一种基于改进aod-net的交通道路图像去雾算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，还包括步骤5：对步骤1测试样本使用天空分割的方法把天空和地面进行分割处理获得去雾前后雾的浓度值；通过步骤5获得去雾前后的浓度值，浓度值可以反映雾的强度或密度的变化，比较去雾前后雾的浓度值，可量化去雾算法对雾图像的改善程度。
3.根据权利要求1所述的方法，其特征在于，在步骤2中，合成过程为：
4.根据权利要求1所述的方法，其特征在于，在步骤3中，所建立的aod-net模型在使用时，包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，在步骤3-1中，在使用暗通道进行初步的雾处理得到特征图时，采用以下步骤：
6.根据权利要求1至5其中之一所述的方法，其特征在于，在步骤4中，在进行色彩增强时，采用以下步骤：
7.根据权利要求1至5其中之一所述的方法，其特征在于，在步骤5中，在使用天空分割方法得出雾值时，采用以下步骤：
8.根据权利要求1所述的方法，其特征在于，在步骤3训练网络时，采用了复...
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。