[发明专利]一种基于深度学习的单幅图像去雾算法

权利要求书

1.一种基于深度学习的单幅图像去雾算法，其特征在于，具体包括如下步骤：

步骤1、获取Middlebury Stereo Datasets以及在网上下载明亮的且无雾的图像作为训练样本中的无雾图像集；

步骤2、对无雾图像集利用Adobe lightroom CC方法人工加雾，并对无雾图像集添加了不同浓度的雾，得到有雾图像集；将有雾图像集和无雾图像集转换成HDF5的数据格式，生成训练样本和测试样本，便于训练，具体包括：

步骤2.1、基于lightroom CC方法的dehaze功能人工的为步骤1中的无雾图像集加雾，为了能够适应不同天气条件下的雾浓度，学习到不同雾浓度图像的特征，对无雾图像集合成了浓度分别为10,20,30,40,50,60,70,80,90,100的雾，得到有雾图像集；

步骤2.2、挑选有雾图像和无雾图像1450对作为训练样本，剩余302对作为测试样本；

步骤2.3、将训练样本和测试样本分别裁剪成29*29和25*25的图像块，

步骤2.4、再将训练样本和测试样本的图像块转换为HDF5格式作为网络输入；

步骤3、将HDF5格式的训练样本和测试样本输入至卷积神经网络，具体包括：

步骤3.1、进行特征提取：由一层卷积网络构成，包含56个5*5的高斯滤波器；输入的每一个有雾图像块与所有滤波器进行卷积，每一个输入图像块被一个高维特征向量所代表；

步骤3.2、进行维度收缩：由一层卷积网络构成，包含12个1*1的高斯滤波器；维度收缩层用来降低特征向量维度；

步骤3.3、进行非线性映射：由六层卷积网络构成，每一层都包含12个3*3的高斯滤波器；该部分滤波器的个数和网络的层数都是影响最后效果的重要因素；

步骤3.4、进行维度扩展：由一层网络构成，包含56个1*1的高斯滤波器；该部分可以看做是第二部分的逆过程，这一部分将低维度特征向量扩展到高维度，保存细节特征；

步骤3.5、进行反卷积：由一层网络构成，包含3个5*5的高斯滤波器；该部分主要利用一组反卷积高斯滤波器来聚合先前的特征向量，恢复出无雾图像；

步骤3.6、每一个卷积网络层后面都会跟着一个激活函数层，这里我们选用参数修正线性单元PReLU(Parametric Rectified Linear Uint)；

激活函数可以被定义为f(x_i)＝max(x_i,0)+a_i·min(0,x_i)；

步骤4、设置好网络的学习率和动量参数，利用caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型；

步骤5、将有雾图像输入至训练好的模型中，输出无雾图像。

2.根据权利要求1所述的一种基于深度学习的单幅图像去雾算法，其特征在于，步骤4所述的训练过程为：

步骤4.1、网络结构确定以后，将训练样本和测试样本输入网络；

步骤4.2、因为输入有雾图像和输出无雾图像都是彩色的，三个通道同时做比较，loss比单个通道比较要大三倍，所以将学习率设置的相对较小0.00005，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍；动量参数设置为0.9；最大迭代次数设置为100万次；

步骤4.3、进行训练，得到无雾图像和有雾图像之间的映射关系。