[发明专利]基于多尺度暗通道先验级联深度神经网络的图像去雾方法

摘要

本发明公开了一种基于多尺度暗通道先验级联深度神经网络的图像去雾方法，包括步骤：一、建立雾化图像训练集；二、单张随机有雾图像的去雾；三、计算原始单张有雾图像的损失目标函数；四、更新权重参数集合；五、调取新的单张随机有雾图像，循环步骤二至步骤四，直至原始单张有雾图像的损失目标函数小于损失目标函数阈值，确定最终的级联去雾模型；六、单张实际有雾图像去雾。本发明利用卷积神经网络在不同尺度的图像上进行暗通道及全局光照参数的估计，然后再逐级融合暗通道以及去雾图像，最后通过监督学习得到去雾图像，有效利用深度神经网络的特征建模能力，实现不同尺度的参数融合，能够在较少的模型参数条件下得到高分辨率的去雾图像。

主权项

1.基于多尺度暗通道先验级联深度神经网络的图像去雾方法，其特征在于，该方法包括以下步骤：步骤一、建立雾化图像训练集：利用已知深度的图像数据集，按照大气散射模型合成成组的有雾图像训练集；步骤二、单张随机有雾图像的去雾，过程如下：步骤201、在步骤一中的雾化图像训练集中随机提取一张有雾图像，对单张随机有雾图像的图像尺寸进行归一化，得到图像大小为2^m×2ⁿ的原始单张有雾图像其中，m和n均不小于8的正整数；步骤202、对原始单张有雾图像进行下采样，分别得到第一尺度原始有雾图像第二尺度原始有雾图像第三尺度原始有雾图像和第四尺度原始有雾图像其中，第一尺度原始有雾图像的分辨率为2^m‑4×2^n‑4，第二尺度原始有雾图像的分辨率为2^m‑3×2^n‑3，第三尺度原始有雾图像的分辨率为2^m‑2×2^n‑2，第四尺度原始有雾图像的分辨率为2^m‑1×2^n‑1；步骤203、利用第一深度卷积网络对第一尺度原始有雾图像估计第一全局大气光照A₁、第一透射率图像T₁和第一透射率图像T₁的上采样图像T₁^u，即第一深度卷积网络的输入为第一尺度原始有雾图像输出为第一全局大气光照A₁、第一透射率图像T₁和第一透射率图像T₁的上采样图像T₁^u，其中，w₁为第一深度卷积网络的权重参数集合，第一全局大气光照第一透射率图像第一透射率图像T₁的上采样图像T₁^u＝Deconv(T₁)，Conv(·)为卷积模块，Maxpool(·)为最大值池化模块，Gfl(·)为引导滤波模块，Deconv(·)为反卷积模块；再利用大气散射模型得到第一尺度去雾图像D₁，其中，步骤204、利用第二深度卷积网络对第二尺度原始有雾图像估计第二全局大气光照A₂、第二透射率图像T₂和第二透射率图像T₂的上采样图像即第二深度卷积网络的输入为第二尺度原始有雾图像输出为第二全局大气光照A₂、第二透射率图像T₂和第二透射率图像T₂的上采样图像其中，w₂为第二深度卷积网络的权重参数集合，第二全局大气光照第二透射率图像第二透射率图像T₂的上采样图像再利用大气散射模型得到第二尺度去雾临时图像其中，concat(·)为叠加函数；根据公式融合得到第二尺度去雾图像D₂；步骤205、利用第三深度卷积网络对第三尺度原始有雾图像估计第三全局大气光照A₃、第三透射率图像T₃和第三透射率图像T₃的上采样图像即第三深度卷积网络的输入为第三尺度原始有雾图像输出为第三全局大气光照A₃、第三透射率图像T₃和第三透射率图像T₃的上采样图像其中，w₃为第三深度卷积网络的权重参数集合，第三全局大气光照第三透射率图像第三透射率图像T₃的上采样图像再利用大气散射模型得到第三尺度去雾临时图像其中，根据公式融合得到第三尺度去雾图像D₃；步骤206、利用第四深度卷积网络对第四尺度原始有雾图像估计第四全局大气光照A₄、第四透射率图像T₄和第四透射率图像T₄的上采样图像即第四深度卷积网络的输入为第四尺度原始有雾图像输出为第四全局大气光照A₄、第四透射率图像T₄和第四透射率图像T₄的上采样图像其中，w₄为第四深度卷积网络的权重参数集合，第四全局大气光照第四透射率图像第四透射率图像T₄的上采样图像再利用大气散射模型得到第四尺度去雾临时图像其中，根据公式融合得到第四尺度去雾图像D₄；步骤207、利用第五深度卷积网络对原始单张有雾图像估计第五全局大气光照A₅和第五透射率图像T₅，即第五深度卷积网络的输入为原始单张有雾图像输出为第五全局大气光照A₅和第五透射率图像T₅，其中，w₅为第五深度卷积网络的权重参数集合，第五全局大气光照第五透射率图像再利用大气散射模型得到原始去雾临时图像其中，根据公式融合得到原始去雾图像D₅；步骤三、根据公式计算原始单张有雾图像的损失目标函数L，其中，i为尺度编号，i的取值范围为1～5，G_i为图像D_i对应的参考真值图像，N_i为图像D_i上的像素点个数，L_i为图像D_i对应的对抗损失；步骤四、更新权重参数集合：将原始单张有雾图像的损失目标函数L送入Adam优化器，对级联去雾模型训练优化，更新中各权重参数集合；步骤五、调取新的单张随机有雾图像，循环步骤二至步骤四，直至原始单张有雾图像的损失目标函数L<Δ，此时，得到级联去雾模型f_w中各权重参数集合的训练结果w＝{w₁,w₂,w₃,w₄,w₅}，并确定最终的级联去雾模型f_w，其中，Δ为损失目标函数阈值；步骤六、单张实际有雾图像去雾：利用训练好的级联去雾模型f_w中对单张实际有雾图像去雾，得到单张实际去雾图像