[发明专利]一种融合偏色校正的图像去沙尘暴方法

说明书

本发明涉及一种融合偏色校正的图像去沙尘暴方法。该方法通过连接多个具有相同结构的沙尘感知表征提取DustAre模块，先对输入沙尘暴图像多次下采样操作，提取图像特征并融合；然后，对所提取的图像特征进行多次上采样操作，还原到原始图像空间，以获得最后的去沙尘暴图像。本发明：（1）针对沙尘暴图像颜色偏差问题，在网络模型训练时对标签图像采用了传统颜色偏色检测与校正策略，从而图像去沙尘暴结果颜色更加自然；（2）基于沙尘暴图像a*和b*颜色分量的色度值均远大于无沙尘暴图像的发现，设计了新的损失函数项来更好地指导网络模型训练；（3）提出了沙尘暴图像生成模型，合成了一个包含室内外带标签的沙尘暴图像数据集，用于网络模型的训练。

技术领域

本发明属于图像处理技术领域，具体涉及一种融合偏色校正的图像去沙尘暴方法。

背景技术

沙尘暴天气对户外监测设备的车牌检测、自动驾驶的客观识别技术等监测系统的能力产生 了负面影响。由于光线在沙尘中传播时的散射和吸收，在沙尘暴天气中拍摄的图像往往会呈现 出颜色偏移和低对比度。沙尘暴图像输入将给其他计算机视觉任务带来困难。因此，图像去沙 尘暴作为高级计算机视觉任务的一个预处理步骤，已成为计算机视觉领域的一个重要研究课题。

现有的图像恢复方法可分为传统的颜色偏色校正方法和基于深度学习的方法。传统的颜色 偏色校正方法通常是先将沙尘暴图像转换到CIELAB颜色空间，CIELAB颜色空间包括两个色 度分量和一个亮度分量；然后，在CIELAB颜色空间中对两个色度分量进行偏色校正，对亮度 分量进行细节增强，得到相应的干净图像。然而，传统的图像去沙尘暴方法只注重图像色彩对 比度调整，没有考虑沙尘对图像的影响与图像场景深度之间的关系。因此，传统方法的修复效 果往往存在色彩饱和度低、残留沙尘较多的问题。

近年来，深度学习技术在图像复原方面取得了有效的应用。基于深度学习的方法通常设计 卷积神经网络来学习图像特征，并在大规模图像数据集上训练网络以生成恢复后图像。由于大 多数现有监督学习神经网络都是在合成图像数据集上进行训练，因此基于深度学习的方法很容 易在合成数据集上产生显著的效果，但在真实图像数据集上的效果欠佳。此外，由于缺乏用于 网络训练的沙尘暴图像数据集，大多数现有的图像去沙尘暴研究仍停留在传统的方法上。

与有雾图像类似，沙尘暴对图像的影响也取决于图像场景的深度。在合成沙尘暴图像时， 应考虑沙尘暴图像和干净图像之间的图像场景深度关系以及沙尘暴图像颜色等因素。因此，本 发明根据沙尘暴图像的具体特征来描述沙尘暴图像的形成过程：

I(x)＝J(x)d(x)p(x)+C(1-d(x)p(x))

其中I和J分别表示含沙图像和干净图像。符号C表示沙尘暴颜色图，即全局遮掩光。符 号p表示通过预训练单目图像场景深度评估方法获得的图像场景深度图。d表示沙尘暴图像场景 深度和干净图像场景深度之间的关系。

发明内容

本发明的目的在于为了更加有效去除图像沙尘暴，提供一种融合偏色校正的图像去沙尘暴 方法，该方法比当前最先进的图像复原方法具有更好的图像去沙尘暴效果。

为实现上述目的，本发明的技术方案是：一种融合偏色校正的图像去沙尘暴方法，构建图 像去沙尘暴网络，即通过连接多个具有相同结构的沙尘感知表征提取DustAre模块，先对输入 沙尘暴图像多次下采样操作，提取图像特征并融合；然后，对所提取的图像特征进行多次上采 样操作，还原到原始图像空间，以获得最后的去沙尘暴图像。

在本发明一实施例中，所述图像去沙尘暴网络的高度和宽度分别为3和6，用分别表 示图像去沙尘暴网络网络第r行中第i个DustAre模块的输入和输出，那么在下采样操作过程， 第2行和第3行中的第i+1个DustAre模块的输入可以表示为

类似地，在上采样操作过程，第2行和第1行中的第i+1个DustAre模块的输入可以表示为，