[发明专利]一种基于深度学习的单幅图像去雾算法

摘要

本发明涉及一种基于深度学习的单幅图像去雾算法。首先获取大量明亮且无雾图像作为训练样本中的无雾图像集，利用模拟软件对其施加不同浓度的雾干扰，生成有雾图像集；将无雾图像集和有雾图像集转换成HDF5格式，得到训练样本和测试样本；将训练样本和测试样本输入设置好参数的深度卷积网络，训练该深度卷积网络，直至代价损失小到一定程度且达到最大迭代次数，得到训练好的模型。最后将有雾图像输入训练好的模型，直接恢复出无雾图像。本发明提供了一种端到端的，能够直接从有雾图像恢复出无雾图像的卷积神经网络，省去了中间参数的估计；同时，避免了有雾图像中平坦区域的色彩失真，能够有效处理自然和人工合成的有雾图像，获得更好的效果。

主权项

1.一种基于深度学习的单幅图像去雾算法，其特征在于，具体包括如下步骤：/n步骤1、获取Middlebury Stereo Datasets以及在网上下载明亮的且无雾的图像作为训练样本中的无雾图像集；/n步骤2、对无雾图像集利用Adobe lightroom CC方法人工加雾，并对无雾图像集添加了不同浓度的雾，得到有雾图像集；将有雾图像集和无雾图像集转换成HDF5的数据格式，生成训练样本和测试样本，便于训练，具体包括：/n步骤2.1、基于lightroom CC方法的dehaze功能人工的为步骤1中的无雾图像集加雾，为了能够适应不同天气条件下的雾浓度，学习到不同雾浓度图像的特征，对无雾图像集合成了浓度分别为10,20,30,40,50,60,70,80,90,100的雾，得到有雾图像集；/n步骤2.2、挑选有雾图像和无雾图像1450对作为训练样本，剩余302对作为测试样本；/n步骤2.3、将训练样本和测试样本分别裁剪成29*29和25*25的图像块，/n步骤2.4、再将训练样本和测试样本的图像块转换为HDF5格式作为网络输入；/n步骤3、将HDF5格式的训练样本和测试样本输入至卷积神经网络，具体包括：/n步骤3.1、进行特征提取：由一层卷积网络构成，包含56个5*5的高斯滤波器；输入的每一个有雾图像块与所有滤波器进行卷积，每一个输入图像块被一个高维特征向量所代表；/n步骤3.2、进行维度收缩：由一层卷积网络构成，包含12个1*1的高斯滤波器；维度收缩层用来降低特征向量维度；/n步骤3.3、进行非线性映射：由六层卷积网络构成，每一层都包含12个3*3的高斯滤波器；该部分滤波器的个数和网络的层数都是影响最后效果的重要因素；/n步骤3.4、进行维度扩展：由一层网络构成，包含56个1*1的高斯滤波器；该部分可以看做是第二部分的逆过程，这一部分将低维度特征向量扩展到高维度，保存细节特征；/n步骤3.5、进行反卷积：由一层网络构成，包含3个5*5的高斯滤波器；该部分主要利用一组反卷积高斯滤波器来聚合先前的特征向量，恢复出无雾图像；/n步骤3.6、每一个卷积网络层后面都会跟着一个激活函数层，这里我们选用参数修正线性单元PReLU(Parametric Rectified Linear Uint)；/n激活函数可以被定义为f(x