一种基于暗通道先验的多尺度卷积神经网络的图像去雾方法技术

本发明专利技术涉及计算机视觉与数字图像处理技术，具体地为一种基于暗通道先验的多尺度卷积神经网络的图像去雾方法。基于暗通道先验的方法估计有雾图像的初始透射率与大气光；有雾图像转换为灰度图像，选择一个灰度阈值，用于区分天空区域和其他区域，得到筛选后的初始透射率；通过多尺度卷积神经网络依次采用粗优化阶段和细优化阶段优化初始透射率得到精细化透射率；采用大气散射模型根据精细化透射率重建无雾图像。本发明专利技术融合物理模型与深度学习优势，解决了传统方法在天空区域过饱和、边缘伪影及色彩失真等问题，显著提升去雾图像的PSNR（达23.30）和SSIM（达0.978）等，为自动驾驶、交通监控等场景提供鲁棒的视觉增强方案。

【技术实现步骤摘要】

本专利技术涉及计算机视觉与数字图像处理技术，尤其适用于雾霾天气下退化图像的增强处理，应用于自动驾驶、交通监控及无人机巡检等场景，具体地为一种基于暗通道先验的多尺度卷积神经网络的图像去雾方法。

技术介绍

1、雾霾天气下的大气散射效应导致成像质量严重退化，主要表现为对比度下降、色彩失真及细节丢失，直接影响自动驾驶、交通监控等视觉系统的可靠性（如雾天车牌识别误差率提升40%）等问题，严重制约了计算机视觉系统的可靠性。例如，在交通监控中，雾霾会降低车牌识别和行人检测的准确率；在自动驾驶场景中，能见度不足可能导致决策延迟，威胁行车安全。目前图像去雾的方法有传统图像去雾方法和深度学习驱动的方法。传统去雾算法主要基于物理模型和基于图像增强的方法。基于物理模型的方法通过估计大气散射模型中的透射率和大气光参数实现图像复原，但存在对先验假设依赖性强、复杂场景适应性差等问题；基于图像增强的方法有直方图均衡化、retinex理论等。直方图均衡化通过调整像素分布扩大对比度，但易丢失细节并导致色调偏移。retinex理论将图像分解为反射分量（物体本质颜色）和光照分量（环境光），通过分本文档来自技高网...

【技术保护点】

1.一种基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，基于暗通道先验的方法估计有雾图像的初始透射率与大气光，包括：

3.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，有雾图像转换为灰度图像，选择一个灰度阈值，用于区分天空区域和其他区域，得到筛选后的初始透射率，包括：

4.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，

5.根据权利要求1所述的基于暗通道先...

【技术特征摘要】

1.一种基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，基于暗通道先验的方法估计有雾图像的初始透射率与大气光，包括：

3.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，有雾图像转换为灰度图像，选择一个灰度阈值，用于区分天空区域和其他区域，得到筛选后的初始透射率，包括：

4.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网络的图像去雾方法，其特征在于，

5.根据权利要求1所述的基于暗通道先验的多尺度卷积神经网...

【专利技术属性】
技术研发人员：岳永高，王磊，石宗霖，席建普，邓丽娟，张向泽，靳继勇，李雪丽，
申请(专利权)人：中原工学院，
类型：发明
国别省市：