[发明专利]一种基于神经网络的单一图像去雾方法及系统

说明书

本发明公开了一种基于神经网络的单一图像去雾方法及系统；包括：获取目标环境有雾图像；对目标环境有雾图像进行预处理，并在预处理期间对目标环境有雾图像进行特征提取，获得第一特征；依次通过多种尺度卷积核和编码‑解码器对预处理后的目标环境有雾图像进行特征提取，获得第二特征；对第一特征和第二特征进行映射处理，获得映射图；将目标环境有雾图像与映射图进行concat连接，并基于卷积层获得合并参数估计值；将合并参数估计值输入到合并参数模型中，输出去雾图像；实现了用轻量级的网络估计统一参数，得到比较优秀且泛用的去雾效果，最后得到的去雾图能够保存更多的细节，有效的避免了常见去雾算法的细节丢失与色彩失真问题。

技术领域

本发明属于图像去雾技术领域，特别是一种基于神经网络的单一图像去雾方法及系统。

背景技术

在有雾或霾的场景中，光学传感器捕获的图像会受到大气颗粒的散射作用，导致图像的细节缺失、色彩暗淡、亮度降低，图像对比度和色彩保真度都会降低，这直接影响人们对图像的视觉感知，还会影响图像后期的处理，更会影响各类依赖于光学成像仪器的系统工作，如卫星遥感系统、航拍系统、室外监控和目标识别系统等。因此，图像去雾是一项极具意义的工作。根据大气散射模型，想要实现图像去雾，要对大气层系数和透射率进行较为准确地估计，这两个重要的物理参数很难准确估计，这是图像去雾领域面临的重大挑战。

何凯明博士的暗通道理论能够根据有雾图像的暗通道图估计出大气层系数和透射率，从而实现图像去雾。然而，暗通道理论对于含有大片天空区域或者大片白色建筑等图像处理效果并不好；快速恢复图像可见性(FVR)方法与暗通道理论的方法不同，它没有估计透射率和大气光值，更加注重公式中的后半部分，由于没有估计参数值，去雾速度较快，但效果较差；大气光自适应恢复算法ATM则更加注重大气光的估计，根据每个图块的像素在RGB颜色空间分布在同一条线上可求得大气光值，不过通过该方法去雾的图像可以有效地避免大气光值偏差影响色彩失真；自动色阶(AL)则是自动定义每个通道中最亮和最暗的像素作为白和黑，然后按比例重新分配其间的像素值,它能够较为简单地处理有雾图像，但没有特别明显的效果。

随着深度学习的高速发展，渐渐地大家也把深度学习应用到图像去雾中，深度学习主要分为监督学习和无监督学习，图像去雾也就由此产生两种神经网络训练方法：一种是卷积神经网络(CNN)进行模型估计，另一种是神经对抗网络(GAN)生成去雾图像。

在运用卷积神经网络方法进行去雾中，较为典型的方法为DehazeNet采用的端到端的训练模型，利用神经网络对大气退化模型中的透射率进行估计，模型输入有雾图像，输出为透射率的估计值，然后恢复图像；该网络提出一种新的非线性激活函数，用来提升无雾图像质量；FFA-NET(Feature Fusion Attention Network for Single Image Dehazing)，提出了一种端到端的特征融合注意网络(FFA-Net)，用于直接恢复无雾图像。其中，FFA网络体系结构考虑到不同的信道特征包含完全不同的加权信息，不同的图像像素上的雾度分布不均匀，提出了一种新的特征注意(FA)模块，将信道注意与像素注意机制相结合。FA不平等地处理不同的特征和像素，这为处理不同类型的信息提供了额外的灵活性，扩展了CNNs的表示能力；MSCNN是将输入的有雾图像通过训练生成一个粗略的传输矩阵，再对其进行细化，其中难免会产生误差；Gated Context Aggregation Network for Image Dehazingand Deraining 2019WACV，利用GAN网络，实现可端到端的图像去雾；该文章的重点在于解决了网格伪影(grid artifacts)的问题，其在PSNR和SSIM的指标上有了极大的提升。