一种基于深度学习的雾天能见度估计方法和系统技术方案

本发明专利技术涉及一种基于深度学习的雾天能见度估计方法和系统，其特征在于包括以下步骤：1)对于输入的带雾图像，通过透射率估计神经网络估计透射率图；2)利用估计得到的透射率图和雾成像模型，恢复得到去雾后的图像；3)将去雾后的图像输入深度估计神经网络估计深度图；4)通过深度图和透射率图，计算消光系数图；5)通过消光系数图，利用Koschmieder定律计算出能见度图。通过对雾成像模型和Koschmieder定律之间的内在联系进行分析，并结合这两者进行能见度估计，因此本发明专利技术的可解释性较好，因此，本发明专利技术可以广泛应用于雾天等恶劣天气下的能见度估计领域。度估计领域。度估计领域。

【技术实现步骤摘要】
一种基于深度学习的雾天能见度估计方法和系统


[0001]本专利技术属于计算机视觉
，特别是涉及一种基于深度学习的雾天能见度估计方法和系统。

技术介绍

[0002]能见度，是指一个视力正常的人，能将目标物从背景中识别出来的最大距离。能见度主要受到目标物体与其背景的亮度差异、大气透明度两个因素的影响。其中，大气透明度与天气有很大的关系，雨、雾、雪、沙、霾等天气都会使大气透明度受到影响，从而使能见度下降。因此，在一般情况下，能见度主要取决于天气情况。
[0003]在能见度的测量上，传统方法是通过仪器测量消光系数，从而推算出能见度。但这些传统方法的局限性也非常明显：大气透射仪是通过测量两点之间的气柱透射率来推算能见度，而在雨、雾等低能见度天气下，这种方法会存在较大的误差；激光能见度自动测量仪通过测量大气消光系数计算能见度，虽然这种方法比较准确，但其仪器存在造价昂贵、操作复杂、难以推广等缺点。
[0004]随着计算机学科的发展，一些基于数字图像处理技术和数据驱动的方法也应运而生。但目前的非深度学习方法对于一张图像只能估计出一个能见度值，这对于不均匀天气条件下的能见度估计问题来说过于粗糙，并且精度不足。而在计算机视觉领域，得益于深度神经网络理的发展和计算能力的提高，基于深度学习的方法进行能见度估计成为了研究的一个方向，然而深度学习方法由于其解释性较差而饱受诟病。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种基于深度学习的雾天能见度估计方法和系统，只需要输入一张图像，即可输出像素级别的能见度，从而解决了传统方法对于测量仪器和测量条件的依赖问题，并且由于是像素级别的能见度，因此也解决了计算机领域非深度学习方法的能见度估计过于粗糙的问题。此外，该方法捕捉到了雾成像模型和Koschmieder定律之间的内在联系，并结合这两者进行能见度估计，从而有效解决了深度学习方法可解释性不足的问题。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]本专利技术的第一个方面，是提供一种基于深度学习的雾天能见度估计方法，其包括以下步骤：
[0008]1)将带雾图像输入预先构建的透射率估计神经网络进行透射率估计，得到带雾图像的透射率图；
[0009]2)利用估计得到的透射率图和雾成像模型对带雾图像进行处理，恢复得到去雾后的图像；
[0010]3)将去雾后的图像输入预先构建的深度估计神经网络进行深度估计，得到深度图；
[0011]4)通过深度图和透射率图，计算得到消光系数图；
[0012]5)通过消光系数图，利用Koschmieder定律计算得到能见度图。
[0013]进一步，所述步骤1)中，将带雾图像输入预先构建的透射率估计神经网络进行透射率估计，得到透射率图的方法，包括以下步骤：
[0014]1.1)构建并初始化透射率估计神经网络；
[0015]1.2)载入预训练好的透射率估计神经网络的网络参数，并将其设置为测试模式；
[0016]1.3)根据透射率估计神经网络的要求对输入的带雾图像进行预处理；
[0017]1.4)将预处理后的带雾图像输入透射率估计神经网络，得到透射率图。
[0018]进一步，所述步骤2)中，通过透射率图和带雾图，恢复出去雾后的图像的方法，包括以下步骤：
[0019]2.1)根据输入的带雾图像，计算得到大气光成分A；
[0020]2.2)将带雾图像、步骤1)得到的透射率图像以及大气光成分A代入雾成像模型，得到去雾后的图像。
[0021]进一步，所述步骤2.1)中，根据输入的带雾图像，计算得到大气光成分A的方法，包括以下步骤：
[0022]2.1.1)对输入的带雾图像的每个像素在RGB三个通道上求最小值；
[0023]2.1.2)对步骤2.1.1)中得到的最小值图进行最小值滤波，得到暗通道图；
[0024]2.1.3)对步骤2.1.2)中得到的暗通道图，按照亮度的大小取前0.1％的像素，找到这些像素在输入的带雾图像中对应的像素值，取它们的均值作为大气光成分A。
[0025]进一步，所述步骤3)中，将去雾后的图像输入预先构建的深度估计神经网络进行深度估计，得到深度图的方法，包括以下步骤：
[0026]3.1)构建并初始化深度估计神经网络；
[0027]3.2)载入预训练好的深度估计神经网络的网络参数，并将其设置为测试模式；
[0028]3.3)对去雾后的图像按要求进行预处理；
[0029]3.4)将预处理后的去雾后的图像输入深度估计神经网络进行深度估计，得到深度图。
[0030]进一步，所述步骤4)中，通过深度图和透射率图，计算得到消光系数图的方法为：
[0031]首先，根据透射率图和深度图，计算得到各个像素对应的消光系数，计算公式为：
[0032]t(x)＝e
‑
β(x)d(x)
其中，t(x)为透射率图在一个像素点的透射率；β(x)为各个像素对应的消光系数；d(x)为深度图在一个像素的深度；
[0033]其次，根据各个像素对应的消光系数β(x)，得到消光系数图。
[0034]进一步，所述步骤5)中，通过消光系数图，利用Koschmieder定律计算得到能见度图的方法，包括：
[0035]首先，根据消光系数图以及Koschmieder定律，计算得到各个像素点的能见度，计算公式为：
[0036][0037]其中，V(x)为一个像素点的能见度；ε为眼睛对比阈值；β(x)为消光系数图在一个像素点的消光系数；
[0038]其次，根据各个像素点的能见度V(x)，得到能见度图。
[0039]本专利技术的第二个方面，是提供一种基于深度学习的雾天能见度估计系统，其包括：
[0040]透射率图确定模块，用于将带雾图像输入预先构建的透射率估计神经网络进行透射率估计，得到透射率图；
[0041]去雾后图像确定模块，用于利用估计得到的透射率图和雾成像模型，恢复得到去雾后的图像；
[0042]深度图确定模块，用于将去雾后的图像输入预先构建的深度估计神经网络进行深度估计，得到深度图；
[0043]消光系数图确定模块，用于通过深度图和透射率图，计算得到消光系数图；
[0044]能见度图确定模块，用于通过消光系数图，利用Koschmieder定律计算得到能见度图。
[0045]进一步，所述透射率图确定模块包括：
[0046]透射率估计神经网络构建模块，用于构建并初始化透射率估计神经网络；
[0047]第一网络参数加载模块，用于载入预训练好的透射率估计神经网络的网络参数，并将其设置为测试模式；
[0048]第一预处理模块，用于对输入的带雾图像按要求进行预处理；
[0049]透射率估计模块，用于将预处理后的带雾图像输入透射率估计神经网络进行透射率估计，得到透射率图。
[005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的雾天能见度估计方法，其特征在于包括以下步骤：1)将带雾图像输入预先构建的透射率估计神经网络进行透射率估计，得到带雾图像的透射率图；2)利用估计得到的透射率图和雾成像模型对带雾图像进行处理，恢复得到去雾后的图像；3)将去雾后的图像输入预先构建的深度估计神经网络进行深度估计，得到深度图；4)通过深度图和透射率图，计算得到消光系数图；5)通过消光系数图，利用Koschmieder定律计算得到能见度图。2.如权利要求1所述的一种基于深度学习的雾天能见度估计方法，其特征在于：所述步骤1)中，将带雾图像输入预先构建的透射率估计神经网络进行透射率估计，得到透射率图的方法，包括以下步骤：1.1)构建并初始化透射率估计神经网络；1.2)载入预训练好的透射率估计神经网络的网络参数，并将其设置为测试模式；1.3)根据透射率估计神经网络的要求对输入的带雾图像进行预处理；1.4)将预处理后的带雾图像输入透射率估计神经网络，得到透射率图。3.如权利要求1所述的一种基于深度学习的雾天能见度估计方法，其特征在于：所述步骤2)中，通过透射率图和带雾图，恢复出去雾后的图像的方法，包括以下步骤：2.1)根据输入的带雾图像，计算得到大气光成分A；2.2)将带雾图像、步骤1)得到的透射率图像以及大气光成分A代入雾成像模型，得到去雾后的图像。4.如权利要求3所述的一种基于深度学习的雾天能见度估计方法，其特征在于：上述步骤2.1)中，根据输入的带雾图像，计算得到大气光成分A的方法，包括以下步骤：2.1.1)对输入的带雾图像的每个像素在RGB三个通道上求最小值；2.1.2)对步骤2.1.1)中得到的最小值图进行最小值滤波，得到暗通道图；2.1.3)对步骤2.1.2)中得到的暗通道图，按照亮度的大小取前0.1％的像素，找到这些像素在输入的带雾图像中对应的像素值，取它们的均值作为大气光成分A。5.如权利要求1所述的一种基于深度学习的雾天能见度估计方法，其特征在于：上述步骤3)中，将去雾后的图像输入预先构建的深度估计神经网络进行深度估计，得到深度图的方法，包括以下步骤：3.1)构建并初始化深度估计神经网络；3.2)载入预训练好的深度估计神经网络的网络参数，并将其设置为测试模式；3.3)对去雾后的图像按要求进行预处理；3.4)将预处理后的去雾后的图像输入深度估计神经网络进行深度估计，得到深度图。6.如权利要求1所述的一种基于深度学习的雾天能见度估计方法，其特征在于：所述步骤4)中，通过深度...

【专利技术属性】
技术研发人员：裴欣，胡坚明，游晶，贾邵程，岳云，
申请(专利权)人：清华大学，
类型：发明
国别省市：