【技术实现步骤摘要】
本专利技术涉及管道检测与维护，尤其涉及管道cctv检测图像智能去雾处理方法及系统。
技术介绍
1、在管道检测与维护领域，cctv（closed circuit television，闭路电视）检测技术因其直观、高效的特点而被广泛应用。cctv检测技术通过摄像头对管道内部进行拍摄，并将拍摄到的图像传输至后台，供检测人员观察和分析。然而，在实际应用中，管道cctv检测图像常常受到各种因素的干扰，导致图像质量不佳，其中雾化模糊是一个尤为突出的问题。
2、雾化模糊的产生主要源于管道内部复杂的环境条件。由于不同管道可能具有一定的温差，且管道内部大多处于潮湿环境中，存在较多水汽、油污等污染物，摄像头在管道内快速移动拍摄的过程中镜头表面极易形成一层遮挡，使拍摄到的图像变得模糊。此外，管道内部的照明条件也可能对图像质量产生影响，如光线不足或光线分布不均等，都会进一步加剧图像的雾化模糊程度。
3、为了解决管道cctv检测图像的雾化模糊问题，现有技术中已出现了一些图像去雾方法。例如cn115482165a公开了一种基于暗通道先验的图像去雾方法，属于图像处理
，包括：根据雾霾天气图像，得到雾霾天气图像的暗通道图像和亮通道图像；对亮通道图像中的像素值进行选取，求取大气光值a；根据亮通道图像和大气光值a，获得透射率图像；根据透射率图像和大气光值a，获得去雾的恢复图像；通过使用亮通道像素值来区分像素点是否符合暗通道先验，对符合暗通道先验和不符合暗通道先验的图像区域分别进行透射率的求取，避免了因为透射率预估不准确导致的图像去雾效
4、此外，还有一些基于深度学习的图像去雾方法被提出。这些方法通过训练神经网络模型来学习有雾图像和去雾图像间的映射关系，并基于学习结果对图像进行去雾处理。然而，这些方法通常需要大量的训练数据和较为复杂的模型结构，导致计算成本高、实时性差，且在处理管道cctv检测图像时，由于图像的特殊性和复杂性，往往难以达到理想的去雾效果。
5、综上所述，现有技术在处理管道cctv检测图像的雾化模糊问题时存在诸多不足，如适用性受限、计算量大、实时性差等。因此，有必要提出一种新的管道cctv检测图像去雾模糊方法，以解决现有技术中存在的问题，提高管道检测与维护的效率。
技术实现思路
1、本专利技术所要解决的技术问题是，提供管道cctv检测图像智能去雾处理方法及系统，解决管道cctv检测图像因雾化模糊而导致缺陷识别困难的问题，克服现有技术中图像清晰度不足、缺陷识别准确率低的局限性，具体而言，在管道检测与维护过程中，cctv技术被广泛应用于观察管道内部情况，然而，由于管道内部环境复杂，常存在水汽、油污等干扰因素，导致检测图像雾化模糊，严重影响了后台人员对管道内裂缝、腐蚀等缺陷的准确识别。
2、为解决上述技术问题，本专利技术采用的技术方案为：管道cctv检测图像智能去雾处理方法，包括以下步骤：
3、step1：输入带有雾模糊的管道cctv检测图像；
4、step2：利用雾度测算网络对输入的雾模糊图像进行处理，以测算图像雾化程度等级；
5、step3：根据测算得到的图像雾化程度等级，通过生成模块生成去雾后的图像；
6、step4：输出处理后的去雾图像。
7、优选的方案中，所述step2中雾度测算网络包括至少两个深度可分离卷积层，用于提取图像的浅层特征，且引入位置归一化模块调整特征分布。
8、优选的方案中，所述雾度测算网络中的深度可分离卷积层包括深度卷积和逐点卷积两个部分，其中深度卷积用于对每个输入通道独立进行卷积操作，逐点卷积用于将深度卷积的输出特征进行维度变换和跨通道信息整合。
9、优选的方案中，所述位置归一化模块在通道维度上对特征进行归一化处理，将特征值归一化到一个更精细紧凑的数据范围内，并引入可学习的缩放因子和偏置项，以动态调整特征分布并增强模型的表达能力。
10、优选的方案中，所述位置归一化模块在针对激活函数的输入将其减去均值并除以标准差，使特征图在每个通道上的均值为0，标准差为1，位置归一化表示为：
11、（1）
12、式中，为输入特征在位置处的值，为位置处通道维度上的均值，为位置处通道维度上的方差，为防止分母为零的小数，为缩放因子，为偏置项；
13、所述激活函数采用relu激活函数，其表达式为：
14、（2）
15、式中，为输入值，为输出值。
16、优选的方案中，所述step3中生成模块基于改进的大气散射模型，将图像雾化程度等级与有雾图像进行关联，在像素级上建立雾化等级输入和去雾图像间的映射关系。
17、优选的方案中，所述生成模块通过以下公式生成去雾后的图像，生成模块由大气散射模型改进而来，以标准的大气散射模型为参考，且表示为：
18、（3）
19、式中，表示在像素位置处的观测图像，表示在像素位置处的清晰图像，表示像素位置处的透射率，描述光穿过大气后保留的比例，表示全局大气光，为光被散射的比例；
20、以输入雾化图像为输入，以去雾后图像为输出，将大气散射模型变换后表示为：
21、（4）
22、设定，表示设定值为1的偏置。
23、优选的方案中，还包括在雾度测算网络和生成模块的训练过程中，采用均方误差损失函数来指导模型的训练优化，其中损失函数表示为：
24、（5）
25、式中，表示样本的数量，对图像去雾任务而言它表示所有像素点的数量，多通道的彩色图像的值为；是真实图像像素值；模型预测的像素值。
26、优选的方案中，还包括对所述去雾后的图像进行后处理的步骤，后处理步骤包括色彩校正和细节增强。
27、优选的方案中，所述雾度测算网络的输出特征图与有雾图像在尺寸大小和通道数上保持一致，使得输出的雾度测算值能够在像素级上精确反映图像的雾化程度。
28、用于实现上述任意一项所述管道cctv检测图像智能去雾处理方法的系统，包括：
29、图像输入模块，用于接收带有雾模糊的管道cctv检测图像；
30、雾度测算网络模块，用于对图像输入模块输入的雾模糊图像进行处理，以测算图像雾化程度等级；
31、生成模块，用于根据雾度测算网络模块测算得到的图像雾化程度等级生成去雾后的图像；
32、图像输出模块，用于输出生成模块处理后的去雾图像。
33、优选的方案中，所述雾度测算网络模块的特征提取模块包括两个深度可分离卷积层和一个位置归一化模块。
本文档来自技高网...
【技术保护点】
1.管道CCTV检测图像智能去雾处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的管道CCTV检测图像智能去雾处理方法，其特征在于：所述Step2中雾度测算网络包括至少两个深度可分离卷积层，用于提取图像的浅层特征，且引入位置归一化模块调整特征分布。
3.根据权利要求2所述的管道CCTV检测图像智能去雾处理方法，其特征在于：所述雾度测算网络中的深度可分离卷积层包括深度卷积和逐点卷积两个部分，其中深度卷积用于单独对通道级上每个输入独立进行卷积操作，逐点卷积用于将深度卷积的输出特征进行维度变换和跨通道信息整合。
4.根据权利要求3所述的管道CCTV检测图像智能去雾处理方法，其特征在于：所述位置归一化模块在通道维度上对特征进行归一化处理，将特征值归一化到一个的数据范围内，并引入可学习的缩放因子和偏置项，以动态调整特征分布并增强模型的表达能力。
5.根据权利要求4所述的管道CCTV检测图像智能去雾处理方法，其特征在于：所述位置归一化模块在针对激活函数的输入将其减去均值并除以标准差，使特征图在每个通道上的均值为0，标准差为1，位置
6.根据权利要求5所述的管道CCTV检测图像智能去雾处理方法，其特征在于：所述Step3中生成模块基于改进的大气散射模型，将图像雾化程度等级与有雾图像进行关联，在像素级上建立雾化等级输入和去雾图像的映射关系。
7.根据权利要求6所述的管道CCTV检测图像智能去雾处理方法，其特征在于，所述生成模块通过以下公式生成去雾后的图像，生成模块由大气散射模型改进而来，以标准的大气散射模型为参考：
8.根据权利要求7所述的管道CCTV检测图像智能去雾处理方法，其特征还包括在生成模块的模型训练过程中，采用均方误差损失函数来指导模型的训练优化，均方误差表示预测输出和实际真实图像在像素级上的误差，其中损失函数表示为：
9.根据权利要求8所述的管道CCTV检测图像智能去雾处理方法，其特征在于：所述雾度测算网络的输出特征图与有雾图像在尺寸大小和通道数上保持一致，使得输出的雾度测算值能够在像素级上精确反映图像的雾化程度。
10.用于实现权利要求1至9中任意一项所述管道CCTV检测图像智能去雾处理方法的系统，其特征在于，包括：
11.根据权利要求10所述的管道CCTV检测图像智能去雾处理方法的系统，其特征在于：所述雾度测算网络模块的特征提取模块包括两个深度可分离卷积层和一个位置归一化模块。
12.根据权利要求10所述的管道CCTV检测图像智能去雾处理方法的系统，其特征在于：所述生成模块基于改进的大气散射模型构建，根据雾度测算结果和有雾图像，采用自适应融合策略生成去雾后的图像。
...【技术特征摘要】
1.管道cctv检测图像智能去雾处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的管道cctv检测图像智能去雾处理方法，其特征在于：所述step2中雾度测算网络包括至少两个深度可分离卷积层，用于提取图像的浅层特征，且引入位置归一化模块调整特征分布。
3.根据权利要求2所述的管道cctv检测图像智能去雾处理方法，其特征在于：所述雾度测算网络中的深度可分离卷积层包括深度卷积和逐点卷积两个部分，其中深度卷积用于单独对通道级上每个输入独立进行卷积操作，逐点卷积用于将深度卷积的输出特征进行维度变换和跨通道信息整合。
4.根据权利要求3所述的管道cctv检测图像智能去雾处理方法，其特征在于：所述位置归一化模块在通道维度上对特征进行归一化处理，将特征值归一化到一个的数据范围内，并引入可学习的缩放因子和偏置项，以动态调整特征分布并增强模型的表达能力。
5.根据权利要求4所述的管道cctv检测图像智能去雾处理方法，其特征在于：所述位置归一化模块在针对激活函数的输入将其减去均值并除以标准差，使特征图在每个通道上的均值为0，标准差为1，位置归一化表示为：
6.根据权利要求5所述的管道cctv检测图像智能去雾处理方法，其特征在于：所述step3中生成模块基于改进的大气散射模型，将图像雾化程度等级与有雾图像进行关联，...
【专利技术属性】
技术研发人员：阮红进，刘敬辉，钟洲文，董宇峰，周明明，寇志伟，裴希琛，李子君，
申请(专利权)人：长江生态环保集团华东有限公司，
类型：发明
国别省市：
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。