[发明专利]一种基于轻量化卷积神经网络的图像去雾方法

说明书

本发明公开了图像处理技术领域的一种基于轻量化卷积神经网络的图像去雾方法，旨在解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。所述方法包括如下步骤：将有雾图像输入预先训练好的轻量化卷积神经网络，获取无雾图像；所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层，所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。

技术领域

本发明涉及一种基于轻量化卷积神经网络的图像去雾方法，属于图像处理技术领域。

背景技术

由于垃圾焚烧、建筑扬尘、汽车尾气等诸多原因，国内很多城市蒙上了雾霾的阴影。雾霾天气拍摄的图像，由于对比度、色彩饱和度显著下降，导致图片不够清晰，影响了图片的使用效果。比如，交通监控视频模糊，致使图像在识别和处理过程中出现偏差，不利于准确记录交通信息。因而提升雾天图像质量，降低雾霾天气对户外成像的影响，有着十分迫切的理论和实际需求。

随着计算机技术的发展，视频和图像去雾算法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种类型：第一类是图像增强的去雾方法，该方法不考虑导致图像退化的原因，使图像去雾的问题转化为对比度增强的问题，经过增强后的图像具有更高的对比度，但是处理后的图像存在信息丢失，会出现失真现象。第二类是图像复原的去雾方法，该方法是从图像退化的角度出发进行分析，建立雾天成像的模型，推导出图像退化的过程，据此恢复出去雾后的图像，该方法使处理后的图像更加清晰、自然，细节损失较少，但去雾效果与模型参数的选取有关，不精确的参数将直接影响复原后图像的效果。第三类是基于深度学习的去雾算法。近年来，随着深度学习的不断发展，越来越多地被用于图像处理领域，比如图像分类、物体识别、人脸识别等，且获得了较好的效果。现有基于深度学习的图像去雾算法，大多通过普通卷积方式实现图像去雾，这种方式仅实现了图像通道相关性和空间相关性的联合映射，且由于卷积层数较多，往往导致网络模型训练参数过多，影响图像去雾的速度。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于轻量化卷积神经网络的图像去雾方法，以解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于轻量化卷积神经网络的图像去雾方法，包括如下步骤：

将有雾图像输入预先训练好的轻量化卷积神经网络，获取无雾图像；

所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层，所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。

进一步地，所述轻量化卷积神经网络还包括不少于两个第一全连接层，所述第一全连接层与所述深度可分离卷积层串联且彼此间隔分布。

进一步地，所述轻量化卷积神经网络还包括彼此串联的金字塔池化层和第一卷积层，所述金字塔池化层和第一卷积层串联于轻量化卷积神经网络的输出层与最接近所述输出层的深度可分离卷积层之间，所述第一卷积层串联于所述金字塔池化层与所述输出层之间。

进一步地，所述金字塔池化层包括顺序连接的池化层组、第二卷积层组、上采样层、第二全连接层，所述池化层组与最接近所述输出层的深度可分离卷积层连接，所述第二全连接层与所述第一卷积层连接，所述池化层组包括不少于两个不同尺度且彼此并联的池化层，所述第二卷积层组包括不少于两个第二卷积层，所述池化层与第二卷积层对应串联。

进一步地，所述轻量化卷积神经网络的训练，包括：

获取有雾图像和无雾图像并将其转化为相同像素规格的图像块，基于所述图像块构建训练样本；