【技术实现步骤摘要】
本专利技术涉及图像处理、计算机视觉领域，具体涉及一种基于雾霾定位和解纠缠的图像去雾方法与系统。
技术介绍
1、雾霾、烟尘污染等恶劣天气现象普遍存在能见度降低的问题，严重干扰了视觉系统的成像质量。对于依赖图像信息的视觉任务，如自动驾驶辅助、近岸海洋监测、无人机航拍等，由雾霾污染引起的图像质量退化可能会带来严重的安全风险。为了消除雾霾干扰，学术界对退化图像的视觉恢复方法进行了深入的研究。尽管目前已经提出了不少有代表性的去雾方法，但是在真实场景中雾霾的消除仍面临较大挑战。
2、受大气光强、风力变化等环境因素的影响，自然场景中的雾霾分布往往呈现出非均匀状态。这些非均匀分布的雾霾会在不同程度上干扰图像中边缘特征和纹理信息的获取，导致图像质量下降。为了从自然雾霾图像中恢复出清晰图像，之前的工作使用启发式设计的局部或全局先验来关注图像中的有雾区域，并对它们进行建模以恢复清晰图像。然而，基于手工先验的去雾方法往往需要理想的数据假设和强鲁棒先验信息的约束。由于真实场景中雾霾分布的非均匀性，当获得的实际先验信息偏离完美数据假设时，去雾效果较差。不同于基于启发式设计先验的去雾方法，众多基于深度学习的去雾方法通过设计深层的复杂网络结构来估计物理模型参数或直接学习有雾图像到清晰图像之间的映射关系。然而，由于真实世界雾霾分布的复杂性，上述这些方法在处理具有不同密度和深度的自然雾霾图像时，仍然具有很大的优化空间。
3、目前的现有技术之一为论文“ridcp:revitalizing real image dehazing viahigh
4、目前的现有技术之二为论文“all-in-one image restoration for unknowncorruption”提出的一种基于两个神经模块组成的一体化场景复原框架。该技术分别基于对比的退化编码器和退化引导模块来恢复退化图像。该方法不受退化类型和退化程度的先验影响，只使用观察到的退化图像进行推断。这个优势使得该方法在真实世界场景中具有更好的灵活性和更高的经济性。该技术的缺点是，针对诸如夜晚、沙尘、颜色干扰的雾霾类型，由于更多先验知识的缺乏，从而无法进行有效去雾。此外，虽然该技术比众多现有的深度去雾方法在合成数据集具有更好的性能和更快的速度，但处理真实复杂雾霾时仍然不具有泛化性和满足实时性的要求。
技术实现思路
1、本专利技术的目的是克服现有方法的不足，提出了一种基于雾霾定位和解纠缠的图像去雾方法与系统。本专利技术解决的主要问题，是设计雾霾定位模块和解纠缠策略组成轻量化的网络，从而在保证去雾泛化性和鲁棒性的同时，实现模型参数的轻量化和较低计算复杂度。
2、为了解决上述问题，本专利技术提出了一种基于雾霾定位和解纠缠的图像去雾方法，所述方法包括：
3、构造雾霾图像数据集ldhaze作为训练数据；
4、构造去雾网络，该去雾网络包括编码器、雾霾定位模块、解纠缠模块、解码器；其中编码器用于提取雾霾图像的特征，雾霾图像的特征输入到雾霾定位模块和解纠缠模块中；雾霾定位模块用于输出区域可辨性的雾霾相关特征信息，解纠缠模块用于获取与雾霾无关的本质权重，即无雾背景特征权重，该权重用于加权所述训练数据，并通过构造自适应损失来指导去雾网络的训练；解码器用于解码雾霾定位模块的输出特征，得到预测的去雾图像；
5、设计损失函数，并利用所述雾霾图像数据集ldhaze对所述去雾网络进行训练，形成训练好的基于雾霾定位和解纠缠的去雾网络；
6、使用无参考图质量评价指标对所述训练好的基于雾霾定位和解纠缠的去雾网络进行测试，当在所述无参考图质量评价指标上性能良好时，固定网络参数形成最终的基于雾霾定位和解纠缠的去雾网络，其输入是任意雾霾图像，输出是图像去雾结果。
7、优选地，所述构造雾霾图像数据集ldhaze作为训练数据，具体为：
8、用于合成雾霾图像的清晰标签来自于reside数据集中的2061张清晰图像和对应的深度图像信息，雾霾图像数据集ldhaze的构造过程通过如下公式进行描述：
9、
10、其中公式为区间[0.0001，5]的正态分布；i表示需要合成的雾霾图像，ffilter(·)表示模糊核函数；x，y表示像素点坐标，x′，y′为像素点坐标的移动增量；表示生成的初始雾霾图像；γ是用于调节生成雾霾数据图像亮度的约束因子，并且是在区间[0.2，0.8]均匀采样获得；a是大气光值，从区间[0.75，0.9]中随机选取；t代表场景透射率图，r表示清晰图像；ε是噪声项，其服从均值为0。
11、优选地，所述雾霾定位模块，具体为：
12、雾霾定位模块的总体流程如下：
13、首先，将所述去雾网络中所述编码器最后一层的输出特征由随机傅里叶显式映射函数进行显式映射；其次，将显式映射结果输入到3个不同路径分支得到路径输出特征，这3个路径分支是由空洞率不同的空洞卷积构成，将这3个不同路径分支获得的输出特征进行拼接操作，然后再进行全局平均池化、全连接和sigmoid操作，得到权值矩阵；最后，将权值矩阵和3个路径分支的输出特征进行相乘操作，得到加权之后的3个不同路径分支的输出特征并且再次将这些输出特征进行拼接并通过1×1卷积操作得到最终雾霾定位模块的输出特征，即区域可辨性的雾霾相关特征；
14、雾霾定位模块的具体流程如下：
15、首先，利用高斯核傅里叶域中的随机映射特征来对所述编码器最后一层的输出特征中的高阶非线性特征信息进行低维显式表示：
16、记所述编码器最后一层的输出特征为利用一个低维的显式映射函数z(y)在每一个通道上估计给定的高斯核gy，其公式如下所示：
17、
18、其中gy表示高斯核，ya、yb分别表示特征y的分量；α代表高斯核的大小；z表示用于估计给定高斯核g(ya，yb)的低维的显式映射函数；根据bochner定理，若具有平移不变性的高斯核g(ya，yb)在原始隐式空间维度上正定，当且仅当gy是某个非负测度p(s)的傅里叶变换；于是得到如下公式：
19、
20、其中p(s)表示非负测度，i表示虚部，d代表特征维度；偏置本文档来自技高网...
【技术保护点】
1.一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述构造雾霾图像数据集LDHaze作为训练数据，具体为：
3.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述雾霾定位模块，具体为：
4.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述解纠缠模块，具体为：
5.如权利要求4所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述设计损失函数，具体为：
6.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述使用无参考图质量评价指标对所述训练好的基于雾霾定位和解纠缠的去雾网络进行测试，当在所述无参考图质量评价指标上性能良好时，固定网络参数形成最终的基于雾霾定位和解纠缠的去雾网络，具体为：
7.一种基于雾霾定位和解纠缠的图像去雾系统，其特征在于，所述系统包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述构造雾霾图像数据集ldhaze作为训练数据，具体为：
3.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述雾霾定位模块，具体为：
4.如权利要求1所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述解纠缠模块，具体为：
5.如权利要求4所述的一种基于雾霾定位和解纠缠的图像去雾方法，其特征在于，所述设计损失函数，具体为：
6.如权利要求1所述的一种基于雾霾定位和解纠缠...
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。