[发明专利]一种Resnet计算Veil的单幅图像去雾方法

权利要求书

1.一种Resnet计算Veil的单幅图像去雾方法，其特征在于，具体按照以下步骤实施：

步骤1、从数据集中直接获取图像的深度矩阵，提取所述图像的地面真实元数据，并从所述地面真实元数据中得到大气光A和深度，所述数据集是纽约大学深度数据集；

步骤2、为了最大程度的降低估计传输图函数中光散射常数K对除雾过程的影响，采用暗通道和软消光方法对深度矩阵进行局部估计，以测试验证数据集中图像的地面真实元数据；

步骤3、通过图像的地面真实元数据生成大气光幕，利用所得大气光幕与数据集中图片合成雾度图像；

步骤4、搭建并训练深度残差神经网络；

步骤5、随机选择一张真实世界的图片或者合成的图像放入步骤4所得的深度残差神经网络中，用于预测大气光幕，根据雾度和场景恢复，合成无雾图像。

2.根据权利要求1所述的一种Resnet计算Veil的单幅图像去雾方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、将大气光幕定义为大气光和投射图的函数，定义式如下：

A(u，v)＝A_∞(1-T(u，v)) (1)

步骤3.2、根据光源的光线向观察者扩散的过程，式(1)简化为下式：

A＝A_∞(1-e^-βz) (2)

式(2)中，β表示光的散射系数，随着观察者与被摄物体之间的距离增加，大气光也会随之增加，e^-βz会减小；z表示图像的深度包含诸如投射率之类的信息，可以用作图像与观察者之间距离的度量；

步骤3.3、距离z增大，直接投射T减小，为除去对投射图的依赖，将场景投射率转化为观察者与场景辐射度之间的距离d的函数：

T(u，v)＝e^-kd(u，v) (3)

式(3)中，K是光散射中的常数，u和v是像素的坐标；

步骤3.4、将公式(3)带入公式(1)中可重新将大气光幕A(u，v)定义为深度图的函数：

A(u，v)＝A_∞(1-e^-kd(u，v)) (4)

步骤3.5、参考Koschmieder’slaw定律用一般模型来表示的物理成像模型：

I(u，v)＝J(u，v)T(u，v)+A_∞(1-T(u，v)) (6)

式(1)中，I(u，v)表示有雾图像，J(u，v)表示无雾图像，A_∞表示大气光或天空亮度，T(u，v)表示投射图像；

将公式(5)带入公式(6)后，满足以下改进的表达式：

根据数据集中的图像和计算所得的大气光幕，合成雾度图像。

3.根据权利要求1所述的一种Resnet计算Veil的单幅图像去雾方法，其特征在于，所述步骤4具体按照提下步骤实施：

步骤4.1、输入深度残差神经网络的图片重塑为尺寸620*460；

步骤4.2、搭建深度残差神经网络，采用深度残差神经网络结构，下采样直接由一个2步长的卷积层来完成，网络以一个平均池化层和具有softmax的完全连接层终止；加权层总数为19层；

步骤4.3、将8个卷积层用于训练过程，通过具有0.9动量的批量梯度体面方法训练网络，使用了200张图像的批处理大小，图像大小为620X460像素，初始学习率为0.001，每8个周期减少0.1；通过最小化地面真实元数据生成的大气光幕与网络在预测层上预测的光幕之间的损失函数，优化训练程序。

4.根据权利要求3所述的一种Resnet计算Veil的单幅图像去雾方法其特征在于，所述步骤4.2的深度残差神经网络结构为，第一层包含3个尺寸为620X460的滤镜；第二层包含3个步幅和207X154尺寸的3个批处理和归一化层；第三层和第4层包含3个尺寸为52X69的滤镜；批处理的第5层，尺寸规格化为23X18；第6、7和8层正在调整大小，上采样层也包含3个尺寸为69X52的滤镜。

5.根据权利要求3所述的一种Resnet计算Veil的单幅图像去雾方法其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1向深度残差神经网络输入步骤3所得的雾度图像，预测得到大气光幕，对所述大气光幕进行高斯滤波处理，处理大气光幕在计算过程中产生的噪声；

步骤5.2、将雾度图像减去步骤5.1所得的大气光幕，再适当调雾度图像其alpha数值，合成后达到最佳视觉效果，得到最终的去雾图像。