[发明专利]一种Resnet计算Veil的单幅图像去雾方法

说明书

本发明公开了一种Resnet计算Veil的单幅图像去雾方法，包括两个主要步骤：形成雾度图像；架构深度残差神经网络，输出无雾图像。本发明提出的方法的主要贡献是将深度学习方法应用于单图像去雾，从而使其提出的算法效率更高，运行时间更少，从而使其可应用于外科内窥镜等多个领域，并通常用于视觉系统。本发明首先寻找一种有效的方法来分析雾度图像，同时提供一种消除雾度的有效方法。然后训练一个神经网络，用来执行预测大气光幕。根据从深度图和大气光等数据集中的可用地面真相元数据中恢复的大气光幕来训练神经网络，可以减少计算时间，并生成与局部估计和透射图细化无关的输出，同时保留图像属性分散。

技术领域

本发明属于数字图像处理技术领域，涉及一种Resnet计算Veil的单幅图像去雾方法。

背景技术

当前图像处理和人工智能的发展迅猛，针对最小化内存管理和基本计算时间方面的计算代价的研究，已经成为一种日益增长的趋势。这是由于当前的很多计算机视觉应用，在执行任务的过程中都需要清晰的视觉，例如：医学成像和计算机辅助干预，以及将目标检测应用于自动系统的实例和语义分割系统。这些系统利用某些视觉结构来执行重要任务，这些任务在执行的过程中很大程度上取决于大气中的能见度质量，这意味着要有清晰的视野以避免故障。因此，雾霾多的环境可能会给物体检测带来很大的问题。显然，在地球上不存在没有烟或雾的地方，这意味着要实现有效的物体检测和清晰的视野，除雾是必不可少的。

由于在许多任务中对视野清晰度有较高的需求，图像去雾在许多视觉任务取得显著效果。现有的几种图像去雾方法都表现出良好的性能，但是都需要很长的运行时间。这是由于执行去雾任务之前，算法依赖于传输图，空气光照估计和传输图的时间细化等参数的计算所造成的。我们引入与传输图无关的去雾算法，从而不需要为去雾算法来估计更多的参数。除此之外，我们提出了一种深度残差神经网络，该神经网络采用内部跳跃链接和反馈链接的方式，显著地加快训练时间。

发明内容

本发明的目的是提供一种Resnet计算Veil的单幅图像去雾方法，具有算法效率更高，运行时间更少的特点。

本发明所采用的技术方案是，一种Resnet计算Veil的单幅图像去雾方法，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，提取图像的地面真实元数据，并从地面真实元数据中得到大气光A和深度，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。

本发明的特点还在于：

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，如图1所示，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信息，z用作图像与观察者之间距离的度量；