The invention belongs to the technical field of image processing and computer vision, in order to propose an image de fogging method capable of effectively removing fog influence in an image, and realize image de fog based on depth learning and prior information. The present invention, defogging method for image convolution neural network and based on prior information, the model of fog image is expressed as: I (x) = J (x) t (x) +A (1 t (x) type), I (x) is the image fog shooting, J (x) is a clear image, A is a global background light, t (x) and [0,1] for media transmission, media transmission is expressed as: t (x) = exp (beta D (x)), in the beta atmospheric attenuation factor, D (x) to the scene depth, the deep learning technology combination fog image prior information combination is estimated according to the imaging model using reverse compensation technology to restore a clear image. The invention is mainly applied to image processing occasions.
【技术实现步骤摘要】
基于卷积神经网络和先验信息的图像去雾方法
本专利技术属于图像处理、计算机视觉
,涉及一种基于卷积神经网络和先验信息的图像去雾方法。
技术介绍
空气中存在雾、霾、灰尘等悬浮颗粒,因此有雾天气拍摄的图像往往存在低对比度、模糊、颜色失真等退化现象。当有雾图像被用于视频分析、辅助驾驶等实际应用领域中往往展示出一定的局限性。近些年来,图像去雾在计算机应用和消费摄影等研究领域已经成为一个积极的研究方向。然而,图像去雾仍然是一个具有挑战性的不适定问题。在过去的几年里,很多图像去雾方法被提出,主要可以分为以下几类:基于辅助信息的方法、基于非模型的方法,基于先验/假设的方法,基于学习的方法。尽管图像去雾领域已经取得了很大进步,但仍存在一些问题。基于辅助信息的方法具有一些阻碍其实际应用的问题。例如,基于硬件设备的方法往往较贵且操作复杂,同一场景拍摄的多幅图像或者场景深度信息很难获得。基于非模型的方法常常会产生过度增强或者欠增强的区域,甚至产生颜色偏差或者伪影。尽管基于先验/假设的方法已经取得了较大的成功,但这类方法被高计算复杂度、估计的场景深度准确度以及挑战性场景的普适性所限制。最近,基于学习的方法被用来移除图像中的雾影响。然而,这类方法需要提高其训练和处理速度。
技术实现思路
为克服现有技术的不足,本专利技术旨在通过结合卷积神经网络和雾图像的先验信息,研究一种能够有效移除图像中雾影响的图像去雾方法,实现基于深度学习和先验信息的图像去雾。本专利技术采用的技术方案是,基于卷积神经网络和先验信息的图像去雾方法,雾天气的成像模型表示为:I(x)=J(x)t(x)+A(1-t(x) ...
【技术保护点】
一种基于卷积神经网络和先验信息的图像去雾方法,其特征是,雾天气的成像模型表示为:I(x)=J(x)t(x)+A(1‑t(x))式中,I(x)是雾天拍摄的图像,J(x)是清晰的图像,A是全局背景光,t(x)∈[0,1]为媒介透射率,媒介透射率表示为:t(x)=exp(‑βd(x))式中,β为大气衰减因子,d(x)为场景深度,采用深度学习技术结合雾图像先验信息相结合的方式进行估计,再根据成像模型采用反补偿技术恢复出清晰的图像。
【技术特征摘要】
1.一种基于卷积神经网络和先验信息的图像去雾方法,其特征是,雾天气的成像模型表示为:I(x)=J(x)t(x)+A(1-t(x))式中,I(x)是雾天拍摄的图像,J(x)是清晰的图像,A是全局背景光,t(x)∈[0,1]为媒介透射率,媒介透射率表示为:t(x)=exp(-βd(x))式中,β为大气衰减因子,d(x)为场景深度,采用深度学习技术结合雾图像先验信息相结合的方式进行估计,再根据成像模型采用反补偿技术恢复出清晰的图像。2.如权利要求1所述的基于卷积神经网络和先验信息的图像去雾方法,其特征是,进一步地具体步骤是,1)先验信息是指像颜色衰减先验亮度与饱和度强度的差值与媒介透射率呈现某种程度的反比关系,表示为:式中,x为图像中的像素位置,c(x)为图像中雾的浓度,v(x)和s(x)分别为图像的亮度分量强度和饱和度分量强度,v(x)-s(x)称为颜色衰减先验;2)端对端的卷积神经网络设计3层的端对端的卷积神经网络,该网络对输入的先验图进行3层卷积处理,分别是块抽取与表示、非线性映射、重构,具体处理流程如下:首先,对先验图进行密集抽取图像块,并且采用适当数目的滤波器代表图像块:F1(P)=min(max(0,W1*P+B1),1),式中,P为颜色衰减先验图,W1和B1分别是滤波器和偏差量,“*”表示卷积,这里,W1的大小为f1×f1×n1,f1为1个滤波器的大小,n1是滤波器的个数,B1是n1维的向量;接下来,对第1层中每个图像块中n1维特征进行卷积处理,表示为:F2(P)=min(max(0,W2*F1(P)+B2),1)式中,W2包含n2个大小为n1×f2×f2的滤波器,B2为n2...
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。