[发明专利]一种多尺度融合卷积神经网络图像去雾方法

说明书

本发明公开了一种多尺度融合卷积神经网络图像去雾方法，步骤如下：S1、搭建去雾图像预处理模型，对原始有雾图像进行预处理，提取有雾图像浅层特征；S2、构建多尺度融合卷积神经网络模型，深度学习有雾图像特征，得到粗透射率图；S3、对多尺度融合卷积神经网络模型得到的粗透射率图使用双边滤波进行优化，得到细透射率图；S4、使用粗传播率图和原始有雾图像求大气光值，根据大气散射模型和细透射率图复原得到无雾图。本发明复杂度低、处理速度较快，实现了更精确的无雾图像的复原，具有很好的视觉效果。

技术领域

本发明属于图像去雾技术领域，具体涉及一种多尺度融合卷积神经网络图像去雾方法。

背景技术

受雾霾等恶劣天气的影响，大气中悬浮的尘粒和水滴在大气光的散射和吸收中形成雾霾，导致被观测物体的反射光在到达相机或监控设备前产生衰减，最终得到的户外图像质量下降，图像的色彩饱和度和对比度下降，从而丢失很多重要的细节信息，不利于图像特征的提取和辨识，也增加了对图像进行后续处理的难度。因此，研究如何对雾天场景下获得的退化图像进行有效处理，对大气退化图像的复原和景物细节信息的增强有着非常重要的意义。

目前，得到有雾图像的透射率图已成为去雾技术的关键。如CAI提出的方法利用卷积神经网络来学习有雾图像的特征以估计透射率图，进而反演出无雾图像。但该卷积神经网络较浅，对于很多特定场景，易出现颜色失真、细节丢失和去雾过度等现象。

发明内容

本发明针对传统去雾算法对于各种先验信息的依赖和深度学习算法对于雾图细节信息丢失的问题，提出了一种多尺度融合卷积神经网络(CNN)图像去雾算法。该方法通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。在模型建立过程中，根据大气散射形成雾图的机理，设计了一个端到端的多尺度融合CNN深度学习模型。首先通过卷积层运算搭建去雾图像预处理模型，提取有雾图像的浅层特征，接着利用多尺度卷积核并行提取得到雾图的深层特征，然后提取到的深层特征进行特征融合，通过非线性回归得到雾图对应的粗透射率图。对多尺度融合卷积神经网络模型得到的粗透射率图使用双边滤波进行优化，得到细透射率图。最后根据大气散射模型和细透射率图复原得到无雾图。

为实现上述目的，本发明采用以下技术方案：一种多尺度融合卷积神经网络图像去雾方法，步骤如下：

S1、搭建去雾图像预处理模型，对原始有雾图像进行预处理，提取有雾图像浅层特征；

S2、构建多尺度融合卷积神经网络模型，深度学习有雾图像特征，得到粗透射率图；

S3、对多尺度融合卷积神经网络模型得到的粗透射率图使用双边滤波进行优化，得到细透射率图；

S4、使用粗传播率图和原始有雾图像求大气光值，根据大气散射模型和细透射率图复原得到无雾图。

为优化上述技术方案，采取的具体措施还包括：

步骤S1具体如下：

采用2个连续尺寸大小为3×3的卷积层，对原始有雾图像进行预处理，每层卷积核之间通过局部连接、权值共享的方式与输入图像进行运算，提取有雾图像浅层特征，卷积公式为：

式中，*表示卷积，m和a为特征图的个数；c表示第c个卷积层；f_a，c+1为第c+1卷积层输出的a个特征图，X_m，a，c+1为第c+1层的卷积核，σ[·]为激活函数，b_a，c+1为第c+1卷积层的偏置项，激活函数σ[·]选择改进的带参数的修正线性单元LRelu。