一种结合暗通道和卷积神经网络的影像地图去雾方法技术

本发明专利技术公开了一种结合暗通道和卷积神经网络的影像地图去雾方法，包括以下步骤:S1、读取地图图像像素分布，并计算灰度值，生成灰度图像S2、通过插值滤波的方式计算灰度图像的暗通道图像；S3、通过先验的方式计算图像中光线的预估透射率t^(x)；S4、利用卷积神经网络模型计算地图图像的大气光照A^；S5、通过大气光照A^和光线的预估透射率t^(x)来计算无雾图像，实现图像去雾。以暗通道为基础的模型可以在短时间内处理大量图像数据，适用于实时去雾应用；卷积神经网络可以通过添加更多的层和节点来提高大气光照划分细节，同时也可以应用于其他图像处理任务。图像处理任务。图像处理任务。

【技术实现步骤摘要】
一种结合暗通道和卷积神经网络的影像地图去雾方法


[0001]本专利技术涉及地理信息开发
，具体涉及一种结合暗通道和卷积神经网络的影像地图去雾方法。

技术介绍

[0002]随着数字图像技术的不断发展，图像去雾技术已成为计算机视觉领域的研究热点之一。图像去雾技术的主要目的是去除图像中的雾霾，使图像更加清晰和真实。传统的图像去雾方法主要基于物理模型，需要对雾霾的物理特性进行建模和估计。但是，由于雾霾的物理特性非常复杂，这种方法的效果往往不尽如人意。因此，近年来，基于图像先验知识的图像去雾技术逐渐成为研究的热点。暗通道先验技术是一种基于图像先验知识的图像去雾算法，它利用了自然图像中的先验信息，通过估计图像中的全局大气光照和局部传输率，实现对图像中的雾霾进行去除。暗通道先验技术的原理简单而有效，已被广泛应用于图像去雾、图像增强、图像恢复等领域。这类去雾方法基于物理模型规则，但在处理复杂场景时效果较差。

技术实现思路

[0003]本专利技术的目的在于提供一种结合暗通道和卷积神经网络的影像地图去雾方法。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]一种结合暗通道和卷积神经网络的影像地图去雾方法，包括以下步骤:
[0006]S1、读取地图图像像素分布，并计算灰度值，生成灰度图像；
[0007]S2、通过插值滤波的方式计算灰度图像的暗通道图像；
[0008]S3、通过先验的方式计算图像中光线的预估透射率t^(x)；
[0009]S4、利用卷积神经网络模型计算地图图像的大气光照A^；
[0010]S5、通过大气光照A^和光线的预估透射率t^(x)来计算无雾图像，实现图像去雾。
[0011]作为本专利技术进一步的方案：步骤S1中，所述灰度值利用Gamma校正算法计算，Gamma校正算法公式如下：
[0012][0013]其中，Gray为灰度值，R、G和B分别为图像中红绿蓝三种通道颜色。
[0014]作为本专利技术进一步的方案：步骤S3中，所述预估透射率t^(x)的计算公式为：
[0015][0016]其中，x为图像像素位置，C为颜色三通道，Ω(x)为局部区域，I为地图图像，A为大气光照。
[0017]作为本专利技术进一步的方案：步骤S4的过程包括：对地图图像进行分割划分；
[0018]设定网络模型，分为编码和解码两部分，先通过卷积核嵌入分割划分后图像信息，
再池化压缩图像信息，通过上采样解码图像信息，添加解码和编码的图像特征拼接；
[0019]设定带边界权值的损失函数；
[0020]E＝∑
x∈Ω
ω(x)log(p
ι(x)
(x))，
[0021]其中p
ι(x)
(x)为softmax损失函数，其中ι∈{1,
…
,K}为像素点的标签值，ω为像素点的权重；
[0022]选择数据集进行网络模型训练，通过训练阴影纹理划分大气光照分布范围；
[0023]利用训练好的网络模型估算大气光照范围，在不同大气光照范围进行均值滤波，得到不同大气光照范围内最大灰度值，与地图图像中最大的灰度值求取平均值，得到范围内的大气光照参数，并拼接划分后的大气光照A^。
[0024]作为本专利技术进一步的方案：像素点的权重ω的计算公式如下：
[0025][0026]其中，ω
c
是平衡类别比例的权值，d1是像素点到距离其最近的图像分割范围的距离，d2是像素点到距离其第二近的图像分割范围的距离，ω0＝10，σ≈5像素。
[0027]作为本专利技术进一步的方案：对地图图像进行分割划分的过程为：先对图像按照小于572*572的大小进行分割，再对分割后的图像进行填充。
[0028]作为本专利技术进一步的方案：步骤S5中，计算无雾图像的公式为：
[0029][0030]本专利技术具有以下至少一种优势：
[0031](1)高效性：以暗通道为基础的模型可以在短时间内处理大量图像数据，适用于实时去雾应用。
[0032](2)可扩展性：卷积神经网络可以通过添加更多的层和节点来提高大气光照划分细节，同时也可以应用于其他图像处理任务。
[0033](3)适用性强：模型可以处理不同类型、不同程度的雾霾图像，并且对图像中的噪声和变形具有一定的鲁棒性。
[0034](4)可解释性：物理模型的去雾过程可以通过可视化方法进行解释和理解，有助于深入理解图像去雾的原理和方法。
附图说明
[0035]下面结合附图对本专利技术作进一步的说明。
[0036]图1是本专利技术影像地图去雾方法的流程图；
[0037]图2是本专利技术影像地图去雾方法的原理图；
[0038]图3是本专利技术图像分割的示意图；
[0039]图4是本专利技术中U
‑
net的结构示意图。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0041]请参阅图1
‑
4所示，本专利技术为一种结合暗通道和卷积神经网络的影像地图去雾方法。该方法基本是基于大气退化模型，进行响应的去雾处理。基于大气退化模型的去雾效果普遍好于基于图像增强的去雾算法。在计算机视觉领域，通常使用雾天图像退化模型来描述雾霾等恶劣天气条件对图像造成的影响，该模型是McCartney首先提出。该模型包括衰减模型和环境光模型两部分。模型表达式为：
[0042]I(x)＝J(x)t(x)+A(1
‑
t(x))
[0043]其中I(x)是现有的图像(待去雾)，x为图像像素位置，J(x)是要恢复的原无雾图像，A是大气光照，t(x)是透射率，是透射光后的图像灰度，是图片受到大气光影响后的效果。
[0044]具体的，本专利技术结合暗通道和卷积神经网络的影像地图去雾方法包括以下步骤:
[0045]S1、读取地图图像像素分布，并计算灰度值，生成灰度图像。
[0046]具体的，步骤S1中，RGB颜色值不能简单直接相加，而是必须用2.2次方换算成物理光功率。因为RGB值与功率并非简单的线性关系，而是幂函数关系，这个函数的指数称为Gamma值，一般为2.2，这个换算过程称为Gamma校正。所述灰度值利用Gamma校正算法计算，Gamma校正算法公式如下：
[0047][0048]其中，Gray为灰度值，R、G和B分别为图像中红绿蓝三种通道颜色。
[0049]S2、通过插值滤波的方式计算灰度图像的暗通道图像。
[0050]S3、通过先验的方式计算图像中光线的预估透射率t^(x)。
[0051]具体的，通过计算的大气本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合暗通道和卷积神经网络的影像地图去雾方法，其特征在于，包括以下步骤:S1、读取地图图像像素分布，并计算灰度值，生成灰度图像；S2、通过插值滤波的方式计算灰度图像的暗通道图像；S3、通过先验的方式计算图像中光线的预估透射率t^(x)；S4、利用卷积神经网络模型计算地图图像的大气光照A^；S5、通过大气光照A^和光线的预估透射率t^(x)来计算无雾图像，实现图像去雾。2.根据权利要求1所述的一种结合暗通道和卷积神经网络的影像地图去雾方法,其特征在于，步骤S1中，所述灰度值利用Gamma校正算法计算，Gamma校正算法公式如下：其中，Gray为灰度值，R、G和B分别为图像中红绿蓝三种通道颜色。3.根据权利要求1所述的一种结合暗通道和卷积神经网络的影像地图去雾方法,其特征在于，步骤S3中，所述预估透射率t^(x)的计算公式为：其中，x为图像像素位置，C为颜色三通道，Ω(x)为局部区域，I为地图图像，A为大气光照。4.根据权利要求1所述的一种结合暗通道和卷积神经网络的影像地图去雾方法,其特征在于，步骤S4的过程包括：对地图图像进行分割划分；设定网络模型，分为编码和解码两部分，先通过卷积核嵌入分割划分后图像信息，再池化压缩图像信息，通过上采样解码图像信息，添加解码和编码的图像特征拼接；设定带边界权值的损失函数；E＝∑

【专利技术属性】
技术研发人员：邵永培，何章伟，张伦，王文刚，孟德艳，刘胜文，张超，
申请(专利权)人：合肥亿图网络科技有限公司，
类型：发明
国别省市：