[发明专利]一种基于直方图与神经网络的图像去雾方法

说明书

一种基于直方图与神经网络的图像去雾方法，采用改进后的EnhanceNet网络结构与原始网络相比将DenseNet残差网络引入，将所有层直接连接在一起，在这种信息的架构中，每层的输入由所有之前曾的特征映射组成，其输出将传输给每个后续层，这些热证映射通过深度级联聚合，提升了神经网络的深度，降低了图像去雾的计算量。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于直方图与神经网络的图像去雾方法。

背景技术

随着科技进步，新的图像技术在逐渐推广，很多城市更是经常受到雾霾天气的困扰。在雾霾天中，由于空气中的雾气、灰尘、小水滴等细小悬浮物对光线传播的散射，会极大地影响人视线。去雾领域的研究者提出了很多的算法来实现单幅图像的去雾，一种做法是对于频域与空域进行处理，这些基本方法都只针对于特定场景下图像透雾，对于复杂环境的透雾效果并不明显，近年来，基于深度学习的图像增强技术取得卓越进展，在高级图像理解任务，比如：图像分类、目标检测等方面取得令人瞩目的成绩。因此产生了第二种做法，基于深度学习算法的图像透雾技术成为研究的热点，常规做法是将图像数据训练集有雾图像与正常图像进行直接训练，得到权重参数但是去雾完成后视觉效果以及图像质量有待提高。因此技术革新的新型图像透雾技术是十分有必要的。

发明内容

本发明为了克服以上技术的不足，提供了一种学习有雾图像以及无雾图像的直方图之间潜在的变换，提升图像的辨识度的方法。

本发明克服其技术问题所采用的技术方案是：

一种基于直方图与神经网络的图像去雾方法，包括如下步骤：

a)将输入计算机的彩色图片进行颜色通道转换，将图像分解为R通道图像、G通道图像以及B通道图像，将为R通道图像、G通道图像以及B通道图像的灰度图分别分解为若干方块，统计计算各个方块灰度直方图；

b)将方块灰度直方图表示为矩阵，将矩阵进行归一化处理，得到归一化后的灰度直方图；

c)将矩阵输入EnhanceNet网络，提取相关特征数据，每次卷积操作得到一层，得到L个层，使用ReLU及3*3的卷积得到深度为64的特征映射图像；

d)将DenseNet残差网络引入步骤b)中的EnhanceNet网络，将步骤c)中的L层使用DenseNet残差网络连接在一起，每个层的输入由所有之前层的特征映射组成；

e)将经步骤d)处理后的特征映射图像的直方图输出压缩，得到压缩后的特征映射图像的直方图；

f)将步骤e)中压缩后的特征映射图像的直方图作为输出直方图，将步骤b)中的归一化后的灰度直方图作为输入直方图，将输出直方图与输入直方图进行一次数据加和计算，加和计算后进行归一化处理；

g)将步骤f)归一化处理后的各个方块图像拼接为整张图像，将拼接后的整张图像进行均值滤波处理，得到去雾图像。

进一步的，步骤a)中通过公式计算方块灰度直方图p(r_k)，式中r_k为该方块的灰度级，n_k为具有灰度r_k的像素的个数，MN为该方块中像素个数。

进一步的，步骤b)中将方块灰度直方图的横坐标以1个像素为单位表示成256*1*3的三通道矩阵。

进一步的，步骤c)中EnhanceNet网络采用步长为2的3*3的卷积核对矩阵进行卷积处理。

进一步的，步骤e)中特征映射图像的直方图输出压缩为64×1×3。