[发明专利]一种基于深度学习的单幅图像去雾算法

说明书

本发明涉及一种基于深度学习的单幅图像去雾算法。首先获取大量明亮且无雾图像作为训练样本中的无雾图像集，利用模拟软件对其施加不同浓度的雾干扰，生成有雾图像集；将无雾图像集和有雾图像集转换成HDF5格式，得到训练样本和测试样本；将训练样本和测试样本输入设置好参数的深度卷积网络，训练该深度卷积网络，直至代价损失小到一定程度且达到最大迭代次数，得到训练好的模型。最后将有雾图像输入训练好的模型，直接恢复出无雾图像。本发明提供了一种端到端的，能够直接从有雾图像恢复出无雾图像的卷积神经网络，省去了中间参数的估计；同时，避免了有雾图像中平坦区域的色彩失真，能够有效处理自然和人工合成的有雾图像，获得更好的效果。

技术领域

本发明涉及卷积神经网络和图像去雾技术，特别涉及基于卷积神经网络的，端到端的单幅图像去雾方法。

背景技术

雾和霾是陆地和海洋上的常见现象。在有雾和朦胧的天气中，存在许多具有显着尺寸的大气颗粒。它们不仅吸收和散射场景的反射光，而且还将一些大气光散射到相机。因此，由照相机获取的图像劣化，并且通常具有低对比度和差的可见性。这将严重地影响视觉系统，尤其是可见光视觉系统。由于图像的劣化，图像的目标和障碍难以检测。这对于自动视频处理是不利的，例如特征提取，目标跟踪和对象的识别。这也是空中，海上和路上发生事故的主要原因之一。因此，重要的是设计一个图像去雾算法，以提高视觉系统的环境适应性。

随着计算机技术的发展，视频和图像去雾算法受到了广泛的关注，并广泛应用于民用和军事领域，如遥感，目标检测和交通监控。

目前，图像去雾算法主要可以分为三类：第一类是基于图像增强，并且不考虑有雾条件的物理成像模型。它试图使用各种图像增强方法来增强雾图像的对比度和可见性。该类方法能有效地增强图像对比度，凸显细节，使图像有更好的可视化效果。但这类方法并未从根本上去除雾气，而且会丢失图像的某些信息特征。第二类是基于物理模型的图像复原。图像复原方法基于在模糊条件下的图像的劣化原因来建立大气散射的物理模型。这类算法需要估计物理参数模型，如大气光照强度和透射率(深度)。然后逆解该物理模型来获得无雾图像。图像复原算法的目的以获得具有良好可见性同时保持良好的颜色恢复性能的自然清晰的图像，但处理范围有限。近年来，随着深度学习的不断发展，越来越多的被用于图像处理领域，且获得了较好的效果。因此，基于学习的去雾算法可以被认为是第三类去雾算法。现有基于学习的图像去雾算法，有雾图像大都是通过深度图经由大气散射模型，随机设置参数人工合成；学习网络输入有雾图像，输出有雾图像透射率，然后再经过逆推计算出无雾图像；

卷积神经网络不仅能有效较少网络的训练参数，使得神经网络简单化，而且具有很强的适应性。

发明内容

基于图像复原算法虽然去雾效果相对较好，但由于简化的物理模型是基于大气是单散射且介质均匀的条件下，不具有普适性，如海雾或不均匀雾或平坦区域。而现有基于学习的去雾算法大都是输入有雾图像，输出透射率，还需后处理。针对上述问题，本发明的目的是提出一种基于深度学习且端到端的图像去雾算法。

为实现上述目的，本发明采取以下技术方案：

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；