基于Retinex的非配对图像去沙尘方法技术

本发明专利技术涉及一种基于Retinex的非配对图像去沙尘方法。结合Retienx和弱监督网络CycleGAN，设计图像去沙尘深度学习模型，并提出一种无参考的融合策略，融合网络的两个输出图像以获得更好的结果。在图像去沙尘、水下图像增强和微光图像恢复数据集上的实验结果表明，本发明专利技术算法提升了图像增强性能，具有良好的泛化性和通用性。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及一种基于retinex的非配对图像去沙尘方法。

技术介绍

1、由于沙尘粒子的吸收和散射，从沙尘暴天气拍摄的图像或视频通常会遭受严重的破坏，颜色漂移或细节信息丢失，这直接影响到高层计算机视觉任务的性能，如目标检测[1]和语义分割[2]。现有的通用图像增强算法在保留背景物体的颜色和细节信息的同时，很难去除前景灰尘。因此，在网络训练缺乏清晰灰尘图像对的限制下，基于深度学习的图像去沙尘方法的研究成为该领域的一个挑战。现有的图像除尘方法可以简单地分为传统方法[3-6]和基于深度学习的方法[7]、[8]。根据是否考虑物理退化过程或固有的自然特性，传统方法可进一步分为非基于模型的方法和基于模型的方法。基于模型的方法是通过对图像退化机理的先验知识来寻找物理模型上相应的逆处理。使用物理模型的方法要普遍好于非基于模型的方法。其中，大气散射模型和retinex模型是图像处理领域中应用最广泛的两种模型。然而，大气散射模型是一个简化的模型，由于忽略了大气粒子的吸收、辐射和多次散射，它通常不能准确地描述真实世界的沙尘成像，无法有效去除沙尘。retien本文档来自技高网...

【技术保护点】

1.一种基于Retinex的非配对图像去沙尘方法，其特征在于，构建图像去沙尘深度网络模型，包括照明估计网络和沙尘恢复网络，并提出无参考融合策略；输入图像分别经过照明估计网络和沙尘恢复网络得到物理恢复图像Jretinex和网络除尘图像Jrefine，而后使用无参考融合策略融合两种经过不同方式恢复的图像并输出最终的结果。

2.根据权利要求1所述的基于Retinex的非配对图像去沙尘方法，其特征在于，所述图像去沙尘深度网络模型基于Retienx构建，具体如下：

3.根据权利要求2所述的基于Retinex的非配对图像去沙尘方法，其特征在于，图像去沙尘深度网络模型继承自Cy...

【技术特征摘要】

1.一种基于retinex的非配对图像去沙尘方法，其特征在于，构建图像去沙尘深度网络模型，包括照明估计网络和沙尘恢复网络，并提出无参考融合策略；输入图像分别经过照明估计网络和沙尘恢复网络得到物理恢复图像jretinex和网络除尘图像jrefine，而后使用无参考融合策略融合两种经过不同方式恢复的图像并输出最终的结果。

2.根据权利要求1所述的基于retinex的非配对图像去沙尘方法，其特征在于，所述图像去沙尘深度网络模型基于retienx构建，具体如下：

3.根据权利要求2所述的基于retinex的非配对图像去沙尘方法，其特征在于，图像去沙尘深度网络模型继承自cyclega...

【专利技术属性】
技术研发人员：李佐勇，滕升华，孟祥龙，王传胜，许惠亮，刘伟霞，
申请(专利权)人：闽江学院，
类型：发明
国别省市：