本发明专利技术提供一种基于BP神经网络的单一图像去雾方法及装置，该方法包括以下步骤：获取无雾图像信息并计算得到对应的有雾图像；结合有雾图像像素点的RGB值作为输入以及有雾图像像素点的场景深度作为输出，构造BP神经网络模型并生成训练后的BP神经网络模型中有雾图像像素值和深度值之间的映射关系；根据该映射关系，将待去雾的有雾图像输入训练后的BP神经网络模型，计算得到待去雾的有雾图像对应的深度图；根据该深度图计算得到去雾后的无雾图像。通过本发明专利技术能够有效提高图像中的天空区域和白色物体区域的去雾效果，获得更为清晰的去雾图像。
【技术实现步骤摘要】
【专利摘要】本专利技术提供一种基于BP神经网络的单一图像去雾方法及装置，该方法包括以下步骤：获取无雾图像信息并计算得到对应的有雾图像；结合有雾图像像素点的RGB值作为输入以及有雾图像像素点的场景深度作为输出，构造BP神经网络模型并生成训练后的BP神经网络模型中有雾图像像素值和深度值之间的映射关系；根据该映射关系，将待去雾的有雾图像输入训练后的BP神经网络模型，计算得到待去雾的有雾图像对应的深度图；根据该深度图计算得到去雾后的无雾图像。通过本专利技术能够有效提高图像中的天空区域和白色物体区域的去雾效果，获得更为清晰的去雾图像。【专利说明】基于BP神经网络的单一图像去雾方法及装置
本专利技术设及计算机视觉领域，特别是设及一种基于BP神经网络的单一图像去雾 方法及装置。
技术介绍
在雾、霸等恶劣的天气条件下，大气中存在着较多的水滴或尘粒，致使光在大气中 传播的过程当中被吸收或发生散射，因此照射在物体表面的光线反射后，其能量不断衰减。 此外，环境光在粒子散射的作用下将会形成空气光。在该种情况下，成像设备在吸收衰减后 的反射光的同时，也吸收了大量的空气光。在衰减和大气光的共同作用下，户外拍摄所得的 图像往往模糊不清，对比度较低，且图像的观赏性丧失。遥感分析、航空摄影、视频监控等多 个领域依赖于户外图像的视觉系统性能急剧下降，甚至无法正常运作。因此，对雾天降质图 像进行清晰化处理具有极其重要的意义。 目前，基于大气物理模型的去雾方法是单一有雾图像去雾处理的主流方法，根据 大气散射模型W及特定的先验信息，对有雾图像中的景物进行复原，其中暗原色先验去雾 方法是最为流形的方法。 虽然该种方法在大多数情况下能够取得较为理想的去雾效果，但是由于图像中的 天空区域和白色物体区域不存在暗原色先验，实际上对于图像中的大片天空区域，W及比 窗口尺寸更大的大块白色区域，复原后的图像像素值明显偏低，严重降低了去雾效果，因此 不适用于存在大块天空区域或大块白色区域的户外有雾图像。 BP神经网络炬ack Propagation Neural Network)是指基于误差反向传播方法的 多层前向神经网络，BP神经网络具有良好的非线性函数逼近能力，能够提高计算精度。BP 神经网络的误差反向传播方法的学习过程，由信息的正向传播和误差的反向传播两个过程 组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层 是内部信息处理层，负责信息变换，根据信息变换能力的需求，中间层可W设计为单隐层或 者多隐层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次 学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望不符时， 进入误差的反向传播过程，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含 层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整 的过程，也是神经网络学习训练的过程。此过程一直进行到网络输出的误差减少到可W接 受的程度，或者预先设定的学习次数为止。 BP神经网络具有W下优点：能够W任意精度逼近任何非线性映射，实现对复杂系 统建模；可W学习和自适应未知信息，如果系统发生了变化可W通过修改网络的联结值而 改变预测效果；分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有 较好的鲁椿性；多输入多输出的模型结构，适合处理复杂问题。如果能够将BP神经网络应 用在有雾图像处理领域，必将能够提高对有雾图像的去雾效果。
技术实现思路
本专利技术的目的是提供一种基于BP神经网络的单一图像去雾方法，用W提高对有 雾图像的去雾效果。 [000引本专利技术的技术方案是提供一种基于BP神经网络的单一图像去雾方法，具体包括 W下步骤： 获取多个无雾图像信息并计算得到对应的有雾图像； 结合该些有雾图像的RGB值作为输入W及该些有雾图像的场景深度作为输出，构 造BP神经网络模型并在训练后的BP神经网络模型中建立有雾图像及其场景深度之间的映 射关系； 根据该个映射关系，利用该个训练后的BP神经网络模型将一待去雾的有雾图像 作为输入，计算得到待去雾的有雾图像的场景深度； 根据待去雾的有雾图像的场景深度计算得到去雾后的无雾图像。 本专利技术还提供一种基于BP神经网络的单一图像去雾装置，包括： 图像采集模块，用于获取多个无雾图像信息并计算得到对应的有雾图像； 神经网络计算模块，与所述图像采集模块连接，用于结合所述有雾图像的RGB值 作为输入W及所述有雾图像的场景深度作为输出，构造BP神经网络模型并在训练后的BP 神经网络模型中建立有雾图像及其场景深度之间的映射关系. 图像计算模块，与所述神经网络计算模块连接；根据所述映射关系，利用所述训练 后的BP神经网络模型将一待去雾的有雾图像作为输入，计算得到所述待去雾的有雾图像 的场景深度； 图像输出模块，与所述图像计算模块连接，用于根据所述待去雾的有雾图像的所 述场景深度计算得到去雾后的无雾图像。 通过本专利技术能够有效对雾天降质图像进行清晰化处理提供啊图像的质量，增加了 图像的观赏性，同时有利于诸如图像识别、自动标注等高层次的图像处理。因此，对雾天图 像清晰化方法的研究具有重大的现实意义。 【专利附图】【附图说明】 为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据该些附图获得其他 的附图。在附图中： 图1所示为本专利技术实施例单一图像去雾方法的流程示意图。 图2所示为本专利技术实施例单一图像去雾方法的BP神经网络示意图。 图3所示为本专利技术实施例单一图像去雾方法的BP神经网络的训练流程图。 图4所示为本专利技术实施例单一图像去雾方法的使用BP神经网络去雾流程图。 图5所示为本专利技术实施例单一图像去雾装置的结构示意图。 【具体实施方式】 为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发 明实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并 不作为对本专利技术的限定。 BP神经网络炬ack Propagation Neural Network)是一种多层前馈网络，通过使 用梯度下降的学习方法，它可W存储大量的输入输出模式的映射关系。由于大气散射模型 被广泛应用于去雾技术，如果能够将BP神经网络应用在有雾图像处理领域，必将能够提高 对有雾图像的去雾效果。 该大气散射模型可表示为： (1) t(x)=e-ed? 似 其中， I(x)表示有雾图像的强度值， J(x)表示对应的无雾条件下的场景光照度， A为大气光照度， t(x)表示场景光的透射率， 0为大气散射系数， d(x)表不场景深度。 由于I(x)可W通过数字成像设备和软件获得，所W本专利技术为了达到对有雾图像 进行去雾处理的目的就是要求出A和t (X)，然后通过式（1)求出J (X)，即去雾后的无雾图 像 [003引图1所示为一本文档来自技高网...
【技术保护点】
一种基于BP神经网络的单一图像去雾方法，其特征在于，具体包括以下步骤：获取多个无雾图像信息并计算得到对应的有雾图像；结合所述有雾图像的RGB值作为输入以及所述有雾图像的场景深度作为输出，构造BP神经网络模型并在训练后的BP神经网络模型中建立有雾图像及其场景深度之间的映射关系；根据所述映射关系，利用所述训练后的BP神经网络模型将一待去雾的有雾图像作为输入，计算得到所述待去雾的有雾图像的场景深度；根据所述待去雾的有雾图像的所述场景深度计算得到去雾后的无雾图像。
【技术特征摘要】
【专利技术属性】
技术研发人员：朱青松，麦嘉铭，王磊，谢耀钦，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。