[发明专利]基于深度学习的针对真实带雾图像的去雾方法及装置

说明书

基于深度学习的针对真实带雾图像的去雾方法与装置，能够使图像恢复较高的质量和细节，并且具有实时性和泛用性。方法包括：(1)对训练集中所有图像的大小进行处理；(2)输入一个模糊图像，对其进行特征提取；(3)图像再被输入到3个跳跃连接的网络结构中；(4)利用特征注意力模块将网络输出的特征融合；(5)将特征输入到残差学习模块；(6)重复步骤(2)‑(5)，对训练集中的图片分批次进行训练；(7)在微调部分，用物理先验知识作为指导，训练未标记的真实带雾图像；(8)融合特征，输出恢复后的清晰图像。

技术领域

本发明涉及图像处理和深度学习的技术领域，尤其涉及一种基于深度学习的针对真实带雾图像的去雾方法，以及基于深度学习的针对真实带雾图像的去雾装置。

背景技术

近年来，雾霾天气持续蔓延的态势，在严重影响人们健康的同时，大气中的水滴和颗粒会将光线吸收和散射。这使得到的户外图像丢失许多真实的信息，极大降低了成像设备的成像质量，无法满足人类视觉的需求，并且给后续的视觉任务带来了很多阻碍与困难。其所导致的重大交通事故、公路交通阻断、航班延误等情况时有发生。在道路交通方面，大雾不仅给驾驶员造成视线模糊，也给道路监控带来成像干扰。在军事侦察方面，烟雾会影响指战员对战场的实时观察和战术的及时调整，云雾会限制无人机的全天候侦查和监视。在航空航天方面，雨雾影响飞行员视线并危害航班安全，雾霾影响遥感卫星的成像质量。同时，雾霾对智能视觉感知系统也造成巨大影响，其导致成像的对比度低、动态范围小、细节不清晰等，从而影响图像识别、目标检测、物体跟踪等高层次的视觉感知任务。

因此，我们需要良好的除雾技术，以提高对比度和恢复图像的颜色。因此，迫切需要一种能对真实带雾图像进行去雾工作的方法。目前，要实现对带雾图像的去雾处理，是较为困难的事情。已有的方法主要分为：基于图像增强的方法、基于物理模型的图像复原方法和基于深度学习的方法。基于图像增强的方法主要通过增强对比度改善图像质量，如直方图均衡化、同态滤波、小波融合等，这种方法只是稍微改善了图像质量，并没有针对性地去雾，因此效果不是很理想。而基于物理模型的图像复原方法，则沿着图像退化的逆过程进行复原。对于大气模型来说，大多方法需要参考同一场景的图像深度信息来恢复图像对比度，这样无法保证图像去雾的实时性，大大降低了工作效率。基于深度学习的方法目前大多停留在利用合成雾天图像对神经网络进行训练的阶段，神经网络过于依赖仿真训练集，最终所得的网络对于真实雾天图像的处理结果较差。

综上所述，为了保证对真实带雾图像的去雾质量及其实时性，需要一种基于深度学习的针对真实带雾图像的去雾方法。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于深度学习的针对真实带雾图像的去雾方法，其能够使图像恢复较高的质量和细节，并且具有实时性和泛用性。

本发明的技术方案是：这种基于深度学习的针对真实带雾图像的去雾方法，其包括以下步骤：

(1)对训练集中所有图像的大小进行处理；

(2)输入一个模糊图像，对其进行特征提取；

(3)图像再被输入到3个跳跃连接的网络结构中；

(4)利用特征注意力模块将网络输出的特征融合；

(5)将特征输入到残差学习模块；

(6)重复步骤(2)-(5)，对训练集中的图片分批次进行训练；

(7)在微调部分，用物理先验知识作为指导，训练未标记的真实带雾图像；

(8)融合特征，输出恢复后的清晰图像。