【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种无人机采集图像去雾方法。
技术介绍
1、无人机图像去雾技术是指将无人机采集到的图像数据进行去雾操作，使得在一些极端环境中能够保证数据采集的有效性，同时也能为极端环境下的视频监控、野外搜救、海上救援等工作提供支撑。在现有技术中，图像去雾技术已经存在，其中最常见的方法包括传统的图像处理算法、物理模型与光学原理建模、深度学习技术。
2、这些方法通过不同的方式可以恢复图像原始的结构，减少雾霾对于图像的影响，但是图像去雾作为一个不适定问题，没有完全正确的解决方式，因此，这些解决方案仍然存在一些缺陷：
3、1、传统的图像处理算法：包括直方图均衡化、对比度增强等方法，通过对图像像素值的调整来改善图像的视觉效果。这些算法虽然简单易用，但往往不能很好地恢复图像中失真的细节信息，导致图像还原效果有限。
4、2、物理模型与光学原理：常见的模型如大气散射模型，了解雾霾对图像形成的影响机制，是无人机图像去雾技术的基础之一。物理模型与光学原理的应用能够建立起雾霾和图像之间的物理模型，为图像去雾算法提供理论支持。仅采用单纯散射模型的方式虽然能够提高图像恢复的效果，但是面对多种场景无法完全适配，同时会受到图像中一些细节信息的影响，导致图像还原效果欠佳。
5、3、深度学习方法：近年来，深度学习技术在图像去雾领域得到广泛应用。通过使用卷积神经网络(cnn)和生成对抗网络(gan)等深度学习模型，可以学习图像去雾的过程，实现更加高效和准确的去雾效果。但是使用深度学习技术进行去雾需要较
技术实现思路
1、本专利技术提供一种无人机采集图像去雾方法，基于大气散射模型和内容引导机制对无人机采集的图像进行去雾处理，旨在克服上述现有技术模型参数大、效果不明显、应用难度高的缺陷。
2、为实现以上目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供一种无人机采集图像去雾方法，包括步骤：
4、无人机采集图像，并对采集到的图像进行处理，得到真实图像对数据集、合成图像对数据集，所述真实图像对数据集由一定数量的匹配成对的真实无雾图像与真实有雾图像组成，所述合成图像对数据集由一定数量的匹配成对的真实无雾图像与合成有雾图像组成；
5、构建由内容引导模块、大气散射模块构成的编解码神经网络模型；
6、将合成图像对数据集作为训练集，真实图像对数据集作为测试集，对构建的模型进行监督训练，并对模型的超参数以及模型的参数量进行优化，优化后的模型用于对无人机采集图像进行去雾处理。
7、作为优选方案，所述编解码神经网络模型为由内容引导模块、大气散射模块构成的三层u-net结构，模型特征提取部分由依次连接第一大气散射模块、第二大气散射模块、第三大气散射模块组成；
8、模型特征重建输出部分由依次连接的第四大气散射模块、第一内容引导模块、第五大气散射模块、第二内容引导模块、第六大气散射模块组成；
9、第一大气散射模块还与第二内容引导模块、第六大气散射模块连接，第二大气散射模块还与第一内容引导模块、第二内容引导模块连接，第三大气散射模块还与第四大气散射模块、第一内容引导模块连接。
10、作为优选方案，模型特征提取部分的第一、第二、第三大气散射模块为编码器，用于减小图像的尺寸并提取图像中的特征信息；模型特征重建输出部分的第四、第五、第六大气散射模块为解码器，用于恢复图像的尺寸。
11、作为优选方案，作为编码器的第一、第二、第三大气散射模块处理图像的流程为：
12、输入信息经第一卷积块后分别经第二卷积块、整流线性单元处理后经特征融合后输出；特征融合后的信息经第三卷积块后与大气散射模块的输入信息共同经联合双边滤波器处理后输出；联合双边滤波器处理后的信息经第四卷积块后输出。
13、作为优选方案，将作为编码器使用的大气散射模块的输入输出方向进行翻转，并在输出端前加一个卷积块，使大气散射模块变成解码器。
14、作为优选方案，内容引导模块将图像的高层特征信息和图像的底层特征信息进行融合后，与大气散射模块传输的信息进行特征相乘后，再经全局平均池化层、通道转换、激活函数、上采样后进行输出。
15、作为优选方案，全局平均池化层与通道转换间、通道转换与激活函数间、激活函数与上采样间均设有卷积块。
16、第二方面，本专利技术提供一种电子设备，包括存储器、一个或多个处理器、存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述所述的方法。
17、第三方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的方法。
18、本专利技术的有益效果是：
19、1、本专利技术采用的编解码神经网络模型为由内容引导模块、大气散射模块构成的三层u-net结构，将传统的u-net四层结构精简为三层结构，使模型能适配更多的边缘设备(如无人机搭载的图像采集设备)。同时在模型中引入内容引导机制，使模型能较好地识别图像中的雾，并能较好地恢复引导图像中的原有内容。
20、2、大气散射模型中设有用于对图像的透射信息进行提取的联合双边滤波器，得到的透射信息可以被大气散射模型用来找出图像中的一些特征，帮助大气散射模型更好地理解图像，并进行必要的调整，以改善图像质量，使图像更加清晰。
21、3、内容引导模块将高层的特征信息和图像的底层特征信息进行融合，这样模型就能从整体上理解图像，并且在去雾气处理时保留图像的整体信息；引入大气散射模块传输的信息，来指导模型更好地理解图像内容并进行更有效的去雾处理，可以实现更好的去雾效果；最后将融合后的特征与大气散射模块传输的信息进行特征相乘，以获得更多的图像细节信息。
本文档来自技高网...【技术保护点】
1.一种无人机采集图像去雾方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种无人机采集图像去雾方法，其特征在于，所述编解码神经网络模型为由内容引导模块、大气散射模块构成的三层U-Net结构，模型特征提取部分由依次连接第一大气散射模块、第二大气散射模块、第三大气散射模块组成；
3.根据权利要求2所述的一种无人机采集图像去雾方法，其特征在于，模型特征提取部分的第一、第二、第三大气散射模块为编码器，用于减小图像的尺寸并提取图像中的特征信息；模型特征重建输出部分的第四、第五、第六大气散射模块为解码器，用于恢复图像的尺寸。
4.根据权利要求3所述的一种无人机采集图像去雾方法，其特征在于，作为编码器的第一、第二、第三大气散射模块处理图像的流程为：
5.根据权利要求4所述的一种无人机采集图像去雾方法，其特征在于，将作为编码器使用的大气散射模块的输入输出方向进行翻转，并在输出端前加一个卷积块，使大气散射模块变成解码器。
6.根据权利要求2所述的一种无人机采集图像去雾方法，其特征在于，内容引导模块将图像的高层特征信息和图像的底层特
7.根据权利要求6所述的一种无人机采集图像去雾方法，其特征在于，全局平均池化层与通道转换间、通道转换与激活函数间、激活函数与上采样间均设有卷积块。
8.一种电子设备，其特征在于，包括存储器、一个或多个处理器、存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种无人机采集图像去雾方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种无人机采集图像去雾方法，其特征在于，所述编解码神经网络模型为由内容引导模块、大气散射模块构成的三层u-net结构，模型特征提取部分由依次连接第一大气散射模块、第二大气散射模块、第三大气散射模块组成；
3.根据权利要求2所述的一种无人机采集图像去雾方法，其特征在于，模型特征提取部分的第一、第二、第三大气散射模块为编码器，用于减小图像的尺寸并提取图像中的特征信息；模型特征重建输出部分的第四、第五、第六大气散射模块为解码器，用于恢复图像的尺寸。
4.根据权利要求3所述的一种无人机采集图像去雾方法，其特征在于，作为编码器的第一、第二、第三大气散射模块处理图像的流程为：
5.根据权利要求4所述的一种无人机采集图像去雾方法，其特征在于，将作为编码器使用的大气散射模块的输入输出方向进行翻...
【专利技术属性】
技术研发人员：顾沈明，苗家明，张春慧，谭小球，
申请(专利权)人：浙江海洋大学，
类型：发明
国别省市：
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。