[发明专利]基于残差学习的单幅图像去雾方法

说明书

本发明提供了一种基于残差学习的单幅图像去雾方法，包括以下步骤：步骤1，制作包括有雾图像和无雾图像的训练样本；步骤2，将训练样本输入待训练的CGAN网络进行训练生成最终的训练网络；步骤3，输入有雾图像至最终的生成模型中得到清晰的无雾图像。

技术领域

本发明涉及一种图像去雾技术，特别是一种基于残差学习的单幅图像去雾方法。

背景技术

众所周知，雾霾天气已经成为了日常的天气现象。雾霾的形成是因为空气中漂浮的小水滴或小颗粒在大气光的照射下发生散射。这种散射不仅降低了图像的对比度、饱和度，偏移了图像的色调，还遮盖了图像的细节信息，给计算机视觉研究的发展带来了不可估量的损失。因此，为计算机视觉研究的重要发展，进行去雾算法的研究是非常必要的。

目前，传统的去雾算法可以从原理上分为两类，一类是图像增强方法，另一类是图像复原方法。图像增强方法不依赖物理模型，仅从增强图像的颜色信息或者其他信息来凸显图像的细节信息。这类方法并不遵从物理科学，所以恢复出来的图像仍然会失去大量的重要细节。图像复原类方法大多根据大气物理散射模型来恢复最终的无雾图像。这种方法有严谨的理论做支撑，能达到较为满意的去雾效果。然而，大多数方法仍然通过恢复大区传输率再逆推大气物理散射模型来达到最终的去雾目的。本发明提出了一种端到端的直接输出无雾图像的去雾网络，无需逆推大气物理散射模型。

发明内容

本发明的目的在于提供一种基于残差学习的单幅图像去雾方法，包括以下步骤：

步骤1，制作包括有雾图像和无雾图像的训练样本；

步骤2，将训练样本输入待训练的CGAN网络进行训练生成最终的训练网络；

步骤3，输入有雾图像至最终的生成模型中得到清晰的无雾图像。

本发明不需要先训练大气传输率活其他中间信息在用大气物理散射模型逆推得出结果，而是一个真正的输入有雾图像，输出无雾图像的端到端去雾算法。

下面结合说明书附图对本发明作进一步描述。

附图说明

图1是本发明的整体流程图。

图2是本发明使用的CGAN网络的生成器结构示意图。

图3是本发明使用的CGAN网络的判别器结构示意图。

图4是本发明的去雾效果对比图；其中左侧为有雾图像，右侧为无雾图像。

具体实施方式

一种基于残差学习生成无雾图像的去雾算法，包括训练样本制作、优化判别器、优化生成器、生成清晰无雾图像四个步骤。

训练样本制作包括以下步骤：

步骤1，下载Make3D的户外清晰无雾图像作为训练集和测试集中的无雾图像。

步骤2，在步骤1中得到的无雾图像的基础上，根据大气物理散射模型对其进行加雾，大气物理散射模型公式为：I(x)＝J(x)t(x)+A(1-t(x))，将大气光值A设置为常数1。

步骤3，计算大气传输率t(x)，计算公式为：t(x)＝e^-βd(x)，其中β为散射系数并将其设置为常数0.02，d(x)是像素x的深度信息。对图像集提供的原始深度信息图使用双线性插值法，将深度信息图放大为和图像一样的大小，再使用高斯滤波法对深度信息图进行滤波，使得到的深度信息图尽可能的贴近自然。

步骤4，根据步骤2、3中得出的A和t(x)，代入大气物理散射模型中求出有雾图像I(x)。

优化判别器包括以下步骤：