首页 / 专利库 / 图形技术 / 方块效应 / 一种适用于行车记录仪的图像去雾方法

一种适用于行车记录仪的图像去雾方法

阅读:1033发布:2020-06-09

专利汇可以提供一种适用于行车记录仪的图像去雾方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种适用于 行车记录仪 的图像去雾方法。首先采用四叉树方法求解大气光值;随后利用训练的 卷积神经网络 获取粗略透射率图,并使用引导滤波方法优化透射率图;最后通过大气散射模型逆向求解获取复原图像。本发明所提出的一种适用于行车记录仪的图像去雾方法,可以有效处理灰蒙的雾天图像且处理后的图像 亮度 得到改善,在保留图像边缘细节的同时可以有效地还原图像的色彩。可应用于行车记录仪的去雾处理,满足视频处理的要求,具有较强的实用性。,下面是一种适用于行车记录仪的图像去雾方法专利的具体信息内容。

1.一种适用于行车记录仪的图像去雾方法,其特征在于,包括以下步骤:
步骤S1:采用四叉树方法计算输入雾天图像的大气光值;
步骤S2:构建并且训练一个面向透射率预测且基于卷积神经网络的透射率自适应估计模型,通过调用该透射率自适应估计模型估算所述输入雾天图像的透射率,并获取对应的透射率图;
步骤S3:采用引导滤波方法优化通过所述步骤S2产生的透射率图,去除图像间的块状效应,获得透射率优化图;
步骤S4:将通过所述步骤S1获取的大气光值及所述步骤S3获取透射率优化图代入一大气散射模型,逆向求解得到去雾图像。
2.根据权利要求1所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S1中,还包括如下步骤:
步骤S11:将所述输入雾天图像均分为四个大小相同的区域;
步骤S12:对获取的四个区域分别进行均值、方差和均值-方差运算;
步骤S13:选取均值-方差运算结果最大的区域,判断区域大小是否大于一预设阈值;若是,则执行所述步骤S11;否则,执行步骤S14;
步骤S14:选取该区域中距离像素值(255,255,255)最近的像素点,将其RGB三个通道的像素值作为大气光值A。
3.根据权利要求1所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S2中,所述透射率自适应估计模型包括输入输出层、卷积层、MAXOUT层、MaxPool层和Brelu层,使用Caffe深度学习框架,通过如下步骤进行训练:
步骤S21:前向传输;输入一组大小为16×16且具有RGB三个颜色通道的图像,依次运算,分别学习雾天特征、多尺度特征和局部极值特征,并在当前的网络参数下得到对应输入图像的透射率值;
步骤S22:反向传输;利用欧式距离计算实际输出的透射率值与真值之间的误差,反向传输误差信息更新各层网络的权值和偏置。
4.根据权利要求3所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S21中,还包括如下步骤:
步骤S211:初始化网络参数:设置初始动量、学习率、网络迭代计算学习速率下降倍数、模型最大迭代周期、最终训练误差和测试误差设置;
步骤S212:输入一组大小为16×16具有RGB三个颜色通道的图像,通过卷积层C1学习雾天特征,按照如下方式计算:

其中, 和 分别表示卷积层中的滤波器和偏置,偏置随机设置;*表示
卷积操作;I为输入单元;t表示输出特征图的编号,t=1,2,…n1;n1表示输出特征图的数目;
步骤S213:将卷积层C1的输出作为MAXOUT层MO2的输入,形成特征图,按照如下方式计算:

其中,k为分组数;t表示输出特征图的编号,t=1,2,…n2;n2为特征图个数;
步骤S214:将MAXOUT层MO2的输出作为卷积层C3的输入,通过卷积层C3学习多尺度特征,按照如下方式计算:

其中, 和 分别表示卷积层C3中的滤波器和偏置;n3为卷基
层C3输出的特征图个数;t表示输出特征图的编号,t=1,2,…n3;\表示取余操作;i,j表示行、列;
步骤S215:将卷积层C3的输出作为MaxPool层MP4的输入,通过MaxPool层MP4学习局部极值特征,按照如下方式计算:

其中,Ω(x)是中心点为x的窗口,大小与滤波器尺寸相同;n4为MaxPool层MP4的输出信息维数,与n3相等,且t表示输出特征图的编号,t=1,2,…n4;
步骤S216:通过卷积层C5将MaxPool层MP4中获取的特征图转化成1×1的特征值信息,且通过一Brelu激活函数将特征值约束在[0,1]范围内:

其中, 和 分别表示卷积层C5中的滤波器和偏置,t表示输出特征图的
编号。
5.根据权利要求4所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S216中,所述Brelu激活函数为:F6=min(1,max(0,F5))。
6.根据权利要求4所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S22中,还包括如下步骤:
采用欧式距离计算卷积层C5输出值与真值的差值作为损失函数,然后计算损失函数相对上一层参数的梯度,将梯度信息反向传递给上一层,以此类推,直至传递给输入层。具体计算如下:

其中,表示第n个训练样本的输出值,yn表示第n个训练样本的真值,N表示样本数。
7.根据权利要求1所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S2中,将所述输入雾天图像均等划分为若干16×16图像块,并将每一图像块输入所述透射率自适应估计模型,通过网络前向传输获取每个图像块的透射率值,组合形成与输入图像大小相同的粗略透射率图,得到所述输入雾天图像的透射率t(x)。
8.根据权利要求1所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在实施步骤S3中,选取所输入雾天图像I的灰度图像g作为引导图像;将I经过所述步骤S2产生的透射率图作为输入图像,并将该透射率图记为p;利用引导图像自身的均值、方差运算以及引导图像与输入图像之间的均值、方差运算保留复原图像的内容,并传递所述输入雾天图像平滑的边缘细节给输出图像,从而消除图像的块效应,获得透射率优化图像q。
9.根据权利要求8所述的一种适用于行车记录仪的图像去雾方法,其特征在于,包括如下步骤:
步骤S31:将灰度图像g中平滑的边缘信息传递给图像q,在一个半径为r的窗口wk内,g和q间建立局部的线性关系,计算如下:

其中,i和k是像素索引,a和b是当窗口中心位于k时该线性函数的系数;
步骤S32:使引导滤波优化前后的透射率图p和q具有最大相似度,即:

由最小化公式,求得ak和bk的最优解,计算如下:

其中,μk和σk是引导图像g在窗口ωk内的平均值和方差;|ωk|表示ωk中像素的个数;
表示输入图像p在窗口ωk内的平均值;
步骤S33:采用均值方法获取整个输出图像q的值,具体计算如下:

其中, 和 表示覆盖i的所有窗口的平均系数,wk是所有包含像素i
的窗口,k是其中心位置
10.根据权利要求1所述的一种适用于行车记录仪的图像去雾方法,其特征在于,在所述步骤S4中,按照如下方式得到所述去雾图像:
I(x)=J(x)t(x)+A(1-t(x)),
其中,I(x)和J(x)分别表示像素点x在雾天图像和清晰图像对应的像素值;A为大气光值;t(x)表示像素点x处对应的透射率值。

说明书全文

一种适用于行车记录仪的图像去雾方法

技术领域

[0001] 本发明涉及图像处理技术领域,特别是一种适用于行车记录仪的图像去雾方法。

背景技术

[0002] 行车记录仪从本质上来说是工具,是事故证据的关键提供者。毫无疑问,夜晚和雨雾天气发生事故的概率更高。对于驾驶者来讲,在任何极端环境下,都要求证据尽可能清晰、有效。因此,能否在夜间和雨雾环境下能清晰还原低照环境下的图像细节,从而保证全天候都能输出优质的监控效果是行车记录仪的一个研究重点。在行车记录仪中植入智能分析、去雾、低照度图像增强等算法将成为一种趋势,具备很强的用户价值。
[0003] 现实世界中,雾是一种常见的自然现象。由于受到雾的影响,导致户外视觉系统采集的图像产生对比度降低、颜色失真、细节信息损失等现象,对采集系统获取有效信息造成直接影响。针对雾天等低照度图像进行优化,从而获得清晰化的图像在行车记录仪的应用中具有很高的研究价值。
[0004] 目前,去雾方法主要有基于物理模型的图像复原方法和基于非物理模型的图像增强方法。基于非物理模型的图像增强方法考虑雾天图像存在颜色失真、对比度下降等特点,从改进图像对比度和校正颜色的度出发,利用图像处理算法如直方图均衡化、同态滤波、对比度增强及Retinex等提高图像对比度,突出图像细节信息,改善图像质量。这类方法的缺点在于未考虑受雾天干扰而导致图像退化的物理原因,在突出的细节上容易造成信息损失的情况。基于物理模型的图像复原方法分析了采集系统在雾天获取降质图像的物理成因,即目标光源在传播到采集装置的过程中,遇到大气中粒子半径较大的气溶胶悬浮颗粒,与其发生交互作用,从而使光以一定规律重新分布的结果,以此建立雾天图像退化模型,通过求解图像退化的逆过程复原清晰化图像。上述方法在去雾方面已经取得了显著的成效,但大部分方法是基于统计或假设等先验信息而不具有通用性,导致算法在某些特殊情况下的雾天图像去雾效果不佳。
[0005] 近年来,卷积神经网络在分类和识别上取得了突破性的进展,其优势在于能够面向特定问题自适应地提取特征,且提取的特征更具有判别性。因此,利用卷积神经网络提取与雾天图像相关的特征信息进而预测透射率并实现去雾是一种新的可行方案。
[0006] 因此,基于以上介绍,本申请采用四叉树方法选取大气光值,然后利用卷积神经网络提取透射率特征,并使用引导滤波方法优化透射率图,去除图像间的效应,可以有效处理灰蒙天气图像并改善原图的亮度,并在去雾的同时较好地还原图像的色彩。在行车记录仪上有很好的实用性。

发明内容

[0007] 本发明的目的在于提供一种适用于行车记录仪的图像去雾方法,以克服现有技术中存在缺陷
[0008] 为实现上述目的,本发明的技术方案是:一种适用于行车记录仪的图像去雾方法,包括以下步骤:
[0009] 步骤S1:采用四叉树方法计算输入雾天图像的大气光值;
[0010] 步骤S2:构建并且训练一个面向透射率预测且基于卷积神经网络的透射率自适应估计模型,通过调用该透射率自适应估计模型估算所述输入雾天图像的透射率,并获取对应的透射率图;
[0011] 步骤S3:采用引导滤波方法优化通过所述步骤S2产生的透射率图,去除图像块间的块状效应,获得透射率优化图;
[0012] 步骤S4:将通过所述步骤S1获取的大气光值及所述步骤S3获取透射率优化图代入一大气散射模型,逆向求解得到去雾图像。
[0013] 进一步地,在所述步骤S1中,还包括如下步骤:
[0014] 步骤S11:将所述输入雾天图像均分为四个大小相同的区域;
[0015] 步骤S12:对获取的四个区域分别进行均值、方差和均值-方差运算;
[0016] 步骤S13:选取均值-方差运算结果最大的区域,判断区域大小是否大于一预设阈值;若是,则执行所述步骤S11;否则,执行步骤S14;
[0017] 步骤S14:选取该区域中距离像素值(255,255,255)最近的像素点,将其RGB三个通道的像素值作为大气光值A。
[0018] 进一步地,在所述步骤S2中,所述透射率自适应估计模型包括输入输出层、卷积层、MAXOUT层、MaxPool层和Brelu层,使用Caffe深度学习框架,通过如下步骤进行训练:
[0019] 步骤S21:前向传输;输入一组大小为16×16且具有RGB三个颜色通道的图像,依次运算,分别学习雾天特征、多尺度特征和局部极值特征,并在当前的网络参数下得到对应输入图像的透射率值;
[0020] 步骤S22:反向传输;利用欧式距离计算实际输出的透射率值与真值之间的误差,反向传输误差信息更新各层网络的权值和偏置。
[0021] 进一步地,在所述步骤S21中,还包括如下步骤:
[0022] 步骤S211:初始化网络参数:设置初始动量、学习率、网络迭代计算学习速率下降倍数、模型最大迭代周期、最终训练误差和测试误差设置;
[0023] 步骤S212:输入一组大小为16×16具有RGB三个颜色通道的图像,通过卷积层C1学习雾天特征,按照如下方式计算:
[0024]
[0025] 其中, 和 分别表示卷积层中的滤波器和偏置,偏置随机设置;*表示卷积操作;I为输入单元;t表示输出特征图的编号,t=1,2,…n1;n1表示输出特征图的数目,值为16;
[0026] 步骤S213:将卷积层C1的输出作为MAXOUT层MO2的输入,形成特征图,按照如下方式计算:
[0027]
[0028] 其中,k为分组数,值为4;t表示输出特征图的编号,t=1,2,…n2;n2为特征图个数,值为4;
[0029] 步骤S214:将MAXOUT层MO2的输出作为卷积层C3的输入,通过卷积层C3学习多尺度特征,按照如下方式计算:
[0030]
[0031] 其中, 和 分别表示卷积层C3中的滤波器和偏置;n3为C3层输出的特征图个数,值为48;t表示输出特征图的编号,t=1,2,…n3;\表示取余操作;
i,j表示行、列;
[0032] 步骤S215:将卷积层C3的输出作为MaxPool层MP4的输入,通过MaxPool层MP4学习局部极值特征,按照如下方式计算:
[0033]
[0034] 其中,Ω(x)是中心点为x的窗口,大小与滤波器尺寸相同;n4为MaxPool层MP4的输出信息维数,与n3相等,t表示输出特征图的编号,t=1,2,…n4;
[0035] 步骤S216:通过卷积层C5将MaxPool层MP4中获取的特征图转化成1×1的特征值信息,且通过一Brelu激活函数将特征值约束在[0,1]范围内:
[0036]
[0037] 其中, 和 分别表示卷积层C5中的滤波器和偏置,t表示输出特征图的编号,t=1;
[0038] 进一步地,在所述步骤S216中,所述Brelu激活函数为:F6=min(1,max(0,F5))。
[0039] 进一步地,在所述步骤S22中,还包括如下步骤:
[0040] 采用欧式距离计算卷积层C5输出值与真值的差值作为损失函数,然后计算损失函数相对上一层参数的梯度,将梯度信息反向传递给上一层,以此类推,直至传递给输入层。具体计算如下:
[0041]
[0042] 其中, 表示第n个训练样本的输出值,yn表示第n个训练样本的真值,N表示样本数。
[0043] 进一步地,在所述步骤S2中,将所述输入雾天图像均等划分为若干16×16图像块,并将每一图像块输入所述透射率自适应估计模型,通过网络前向传输获取每个图像块的透射率值,组合形成与输入图像大小相同的粗略透射率图,得到所述输入雾天图像的透射率t(x)。
[0044] 进一步地,在实施步骤S3中,选取所输入雾天图像I的灰度图像g作为引导图像;将I经过所述步骤S2产生的透射率图作为输入图像,并将该透射率图记为p;利用引导图像自身的均值、方差运算以及引导图像与输入图像之间的均值、方差运算保留复原图像的内容,并传递所述输入雾天图像平滑的边缘细节给输出图像,从而消除图像的块效应,获得透射率优化图像q。
[0045] 进一步地,包括如下步骤:
[0046] 步骤S31:将灰度图像g中平滑的边缘信息传递给图像q,在一个半径为r的窗口wk内,g和q间建立局部的线性关系,计算如下:
[0047]
[0048] 其中,i和k是像素索引,a和b是当窗口中心位于k时该线性函数的系数;
[0049] 步骤S32:使引导滤波优化前后的透射率图p和q具有最大相似度,即:
[0050]
[0051] 由最小化公式,求得ak和bk的最优解,计算如下:
[0052]
[0053] 其中,μk和σk是引导图像g在窗口ωk内的平均值和方差;|ωk|表示ωk中像素的个数; 表示输入图像p在窗口ωk内的平均值;
[0054] 步骤S33:采用均值方法获取整个输出图像q的值,具体计算如下:
[0055]
[0056] 其中, 和 表示覆盖i的所有窗口的平均系数,wk是所有包含像素i的窗口,k是其中心位置
[0057] 进一步地,在所述步骤S4中,按照如下方式得到所述去雾图像:
[0058] I(x)=J(x)t(x)+A(1-t(x)),
[0059] 其中,I(x)和J(x)分别表示像素点x在雾天图像和清晰图像对应的像素值;A为大气光值;t(x)表示像素点x处对应的透射率值。
[0060] 相较于现有技术,本发明具有以下有益效果:本发明提供一种适用于行车记录仪的图像去雾方法,采用四叉树方法选取大气光值,然后利用卷积神经网络提取透射率特征,并使用引导滤波方法优化透射率图,去除图像间的块效应,可以有效处理灰蒙天气图像并改善原图的亮度,并在去雾的同时较好地还原图像的色彩。在夜间和雨雾环境下能清晰还原低照环境下的图像细节,从而保证行车记录仪全天候都能输出优质的监控效果。附图说明
[0061] 图1为本发明中适用于行车记录仪的图像去雾方法的流程图
[0062] 图2(a)为本发明一实施例中四叉树方法选取大气光值过程中输入雾天图像。
[0063] 图2(b)为本发明一实施例中四叉树方法选取大气光值过程中选取区域示意图。
[0064] 图2(c)为本发明一实施例中四叉树方法选取大气光值过程中选取所在位置示意图。
[0065] 图3为本发明一实施例中基于卷积神经网络的透射率估计模型架构图。
[0066] 图4为本发明一实施例中激活函数Brelu。
[0067] 图5(a)为本发明一实施例中平滑复原图像块效应过程中输入雾天图像示意图。
[0068] 图5(b)为本发明一实施例中平滑复原图像块效应过程中引导图像示意图。
[0069] 图5(c)为本发明一实施例中平滑复原图像块效应过程中透射率优化图像示意图。

具体实施方式

[0070] 下面结合附图,对本发明的技术方案进行具体说明。
[0071] 本发明提供一种适用于行车记录仪的图像去雾方法,如图1所示,具体包括以下步骤:
[0072] 步骤S1:采用四叉树方法计算输入雾天图像的大气光值;
[0073] 步骤S2:构建并且训练一个面向透射率预测的卷积神经网络(CNN)模型,调用该模型即可估计得到雾天图像的透射率。
[0074] 步骤S3:利用引导滤波方法优化步骤S2产生的透射率图,去除图像块间的块状效应,获得透射率优化图;
[0075] 步骤S4:将步骤S1获取的大气光值及步骤S3获取透射率图代入大气散射模型,逆向求解得到去雾图像。
[0076] 在本实施例中,在步骤S1中:采用四叉树算法估计大气光值A,从全局搜索的角度,结合均值、方差运算选取差异较大的区域,从中选取合适的大气光值A。如图2所示,具体包括以下步骤:
[0077] 步骤S11:将图2(a)中的输入雾天图像均分为四个大小相同的区域,如图2(b)所示;
[0078] 步骤S12:针对上述四个区域分别进行均值、方差和均值-方差运算;
[0079] 步骤S13:选取均值-方差运算结果最大的区域,判断区域大小是否高于预设阈值。若是,则执行步骤S11;否则,执行步骤S14;在本实施例中,预设阈值设为49。
[0080] 步骤S14:选取该区域中距离像素值(255,255,255)最近的像素点,将其三个通道对应的像素值作为大气光值A,如图2(c)所示。
[0081] 在本实施例中,在步骤S2中:构建的基于卷积神经网络(CNN)的透射率自适应估计模型,如图3所示,包括输入输出层、卷积层、MAXOUT层、MaxPool层和Brelu层。
[0082] 在本实施例中,训练基于卷积神经网络(CNN)的透射率自适应估计模型过程,将100张分辨率为640×480的无雾图像分割为16×16的图像块。每个图像块使用随机数函数产生10个数值介于0-1的透射率值,最终组成250,000个透射率值已知的人造雾天图像块作为训练集。利用训练集,构建并且训练一个基于卷积神经网络(CNN)的透射率自适应估计模型,以雾天图像块为输入,通过多层卷积层逐层提取其中透射率相关的特征,最终由Brelu层预测出该雾天图像的透射率t(x)。使用Caffe深度学习框架,具体分为两步:
[0083] 步骤S21:前向传输。输入一组大小为16×16具有RGB三个颜色通道的图像,依次运算,分别学习雾天特征、多尺度特征和局部极值特征等,并在当前的网络参数下得到对应输入图像的透射率值。
[0084] 步骤S22:反向传输。利用欧式距离计算实际输出的透射率值与真值之间的误差,反向传输误差信息更新各层网络的权值和偏置。
[0085] 在本实施例中,步骤S21具体包括以下步骤:
[0086] 步骤S211:初始化网络参数:初始动量设置为0.9、学习率设置为0.005,网络每迭10万次学习速率下降0.5倍,模型最大迭代周期为500,000次,最终训练误差和测试误差设置为0.0088和0.0086。
[0087] 步骤S212:输入一组大小为16×16具有RGB三个颜色通道的图像。第一层(卷积层C1)用于学习雾天特征,由16张特征图组成,卷积核大小为5×5,数目为16个,均采用均值为0且标准差为0.001的高斯分布。卷积运算时,滑动步长为1,输入矩阵无边界拓展,最终特征图大小为12×12。具体计算如下:
[0088]
[0089] 其中, 和 分别表示卷积层中的滤波器和偏置,偏置随机设置;*表示卷积操作;I为输入单元;t表示输出特征图的编号,t=1,2,…n1;n1表示输出特征图的数目,较佳的,该值为16;
[0090] 步骤S213:第一层的输出作为第二层(MAXOUT层MO2)的输入,MO2由4个大小为12×12的特征图组成,首先将16个神经元均分为4组,每组4个神经元进行逐像素最大值比较,形成一张具有像素最大值的特征图,以此类推,形成4个特征图。具体计算如下:
[0091]
[0092] 其中,k为分组数,较佳的,该值为4;t表示输出特征图的编号,t=1,2,…n2;n2为特征图个数,较佳的,该值为4;
[0093] 步骤S214:第二层(MO2)的输出作为第三层的输入(卷积层C3),C3用于学习多尺度特征,由48个大小为12×12的特征图组成,每个神经元分别与大小为3×3、5×5和7×7的卷积核进行卷积。每类卷积核有16个,均采用均值为0且标准差为0.001的高斯分布。卷积运算时,滑动步长为1,滑动窗口大小为3×3、5×5和7×7分别对应矩阵边界拓展的长度为1、2和3。最终,三类卷积核完成的卷积运算得到的特征图大小相同,均为12×12。具体计算如下:
[0094]
[0095] 其中, 和 分别表示卷积层C3中的滤波器和偏置;n3为卷基层C3层输出的特征图个数,较佳的,该值为48;t表示输出特征图的编号,t=1,2,…n3;\表示取余操作;i,j表示行、列;
[0096] 步骤S215:第三层(C3)的输出作为第四层的输入(MaxPool层MP4),MaxPool层用于学习局部极值特征,由48张大小为6×6的特征图组成。每个神经元与大小为7×7的滤波器进行池化操作,从7×7的区域中选取一个最大值作为当前整个区域的值。池化运算类似于卷积运算,最终获取大小为6×6的特征图。具体计算如下:
[0097]
[0098] 其中,Ω(x)是中心点为x的窗口,大小与滤波器尺寸相同;n4为MaxPool层MP4的输出信息维数,与n3相等,t表示输出特征图的编号,t=1,2,…n4;
[0099] 步骤S216:第五层(卷积层C5)将第四层(MaxPool层)特征图转化成1×1的特征值信息,卷积核个数为1,采用均值为0且标准差为0.001的高斯分布。卷积运算时,滑动窗口步长为1,输入矩阵无边界扩展,得到1个特征值信息,且利用一个Brelu激活函数将特征值约束在[0,1]范围内。
[0100]
[0101] 其中, 和 分别表示卷积层C5中的滤波器和偏置,t表示输出特征图的编号,较佳的,t=1。该Brelu激活函数,如图4所示,具体公式为:
[0102] F6=min(1,max(0,F5))
[0103] 在本实施例中,在步骤S22中:采用欧式距离计算第五层输出值与真值的差值作为损失函数,然后计算损失函数相对上一层参数的梯度,包括权重、偏置等,将梯度信息反向传递给上一层,以此类推,直至传递给输入层。具体计算如下:
[0104]
[0105] 其中, 表示第n个训练样本的输出值,yn表示第n个训练样本的真值,N表示样本数。
[0106] 在本实施例中,在步骤S2中:调用该模型即可估计得到雾天图像的透射率t(x)。具体步骤为:将输入图像均等划分为若干16×16图像块,并将每一图像块输入卷积神经网络,通过网络前向传输获取每个图像块的透射率值,组合形成与输入图像大小相同的粗略透射率图;
[0107] 在本实施例中,在步骤S3中:选取输入雾天图像I的灰度图g作为引导图像;将I经过步骤S2产生的透射率图(记为p)作为输入图像;利用引导图像自身的均值、方差运算以及引导图像与输入图像之间的均值、方差运算保留复原图像的内容,并传递雾天图像平滑的边缘细节给输出图像,从而消除图像的块效应,获得透射率优化图像q。如图5(a)~图5(c)所示,具体包括以下步骤:
[0108] 步骤S31:将灰度图像g中平滑的边缘信息传递给图像q,在一个半径为r的窗口wk内,g和q间建立局部的线性关系;半径为r的窗口wk中,参数r选取透射率图的长和宽中较大的乘以0.04,然后取整;正则化参数eps为10-6;具体计算如下:
[0109]
[0110] 其中,i和k是像素索引,a和b是当窗口中心位于k时该线性函数的系数。
[0111] 步骤S32:使引导滤波优化前后的透射率图p和q具有最大相似度,即:
[0112]
[0113] 由最小化公式,求得ak和bk的最优解,具体计算如下:
[0114]
[0115] 其中,μk和σk是引导图像g在窗口ωk内的平均值和方差;|ωk|表示ωk中像素的个数; 表示输入图像p在窗口ωk内的平均值。
[0116] 步骤S33:采用均值方法获取整个输出图像q的值,具体计算如下:
[0117]
[0118] 其中, 和 表示覆盖i的所有窗口的平均系数,wk是所有包含像素i的窗口,k是其中心位置。
[0119] 在本实施例中,在步骤S4中:将步骤S1获取的大气光值A及步骤S3获取透射率图代入大气散射模型,逆向求解得到去雾图像。具体步骤如下:
[0120] I(x)=J(x)t(x)+A(1-t(x)),
[0121] 其中,I(x)和J(x)分别表示像素点x在雾天图像和清晰图像对应的像素值;A为大气光值,是一个全局信息量;t(x)表示像素点x处对应的透射率值。
[0122] 以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈