CN107301624A - 基于区域划分及浓雾预处理的卷积神经网络去雾算法 - Google Patents

基于区域划分及浓雾预处理的卷积神经网络去雾算法 Download PDF

Info

Publication number
CN107301624A
CN107301624A CN201710414385.XA CN201710414385A CN107301624A CN 107301624 A CN107301624 A CN 107301624A CN 201710414385 A CN201710414385 A CN 201710414385A CN 107301624 A CN107301624 A CN 107301624A
Authority
CN
China
Prior art keywords
mrow
msubsup
msup
munder
follows
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710414385.XA
Other languages
English (en)
Other versions
CN107301624B (zh
Inventor
庞彦伟
廉旭航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201710414385.XA priority Critical patent/CN107301624B/zh
Publication of CN107301624A publication Critical patent/CN107301624A/zh
Application granted granted Critical
Publication of CN107301624B publication Critical patent/CN107301624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于区域划分及浓雾预处理的卷积神经网络去雾算法，步骤如下：将有雾图像划分成不重叠的图像块；对于每个图像块，计算其暗通道值Di；区分浓雾图像块和薄雾图像块；分别估算透射率；对Pi进行去雾，得到无雾图像块。

Description

基于区域划分及浓雾预处理的卷积神经网络去雾算法
技术领域
本发明涉及计算机视觉、图像处理领域恢复图像清晰度的算法，特别涉及采用学习的方法进行去雾的算法
背景技术
图像去雾算法是一种从有雾图像中恢复出原始无雾图像的算法，主要目的是提高受到雾的影响而成像质量恶化的图像的清晰度，广泛应用于交通运输、卫星遥感、视频监控、国防军事等对图像质量有较高要求的行业。
当前，很多方法致力于在学习的框架下，通过学习反映雾的大小程度的特征与透射率之间的关系来实现对透射率的预测，最终通过雾天图像的成像模型恢复原始无雾图像。该类方法的研究重点是如何提取与雾的大小相关的特征来提高对透射率的预测准确性。2014年,Tang[1]提出直接从有雾图像块中提取暗通道、最大对比度、色调差异、最大饱和度这几种能反映雾的大小程度的特征。为了保证对透射率预测的准确性及鲁棒性，每一种特征又同时提取了不同的尺度。最终，通过训练好的随机森林来实现对透射率的估计。在自然场景下，该方法虽然对薄雾区域有较好的效果，但对于浓雾区域的透射率估计得准确度却大大降低。其主要原因是浓雾区域的光线比薄雾区域的光线受到更大的衰减及散射的影响，使得浓雾区域的各种特征非常的不明显且高度近似，严重降低了随机森林对这部分区域透射率预测的准确性。2015年，Zhu[2]发现亮度与饱和度的差值能够很好地反映雾的大小。根据这一先验知识，通过学习的方法得到有雾条件下景物的深度与饱和度和亮度之间的关系。利用这一关系，对有雾图像中景物的深度进行估计，从而计算出透射率，最终恢复原始无雾图像。同样，该方法并没有考虑到浓雾区域特征非常的不明显以及该区域图像块之间特征的极度相似性，使得估计出的深度与亮度和饱和度之间关系的模型无法适用于浓雾区域。2015年，Wang[3]从局部区域提取对比度直方图及暗通道特征来训练SVM分类器，通过训练好的SVM分类器来判断图片中天气的种类以及图片清晰度的恶化程度。然而，由于浓雾区域细节消失较为严重，使得计算得到的对比度往往只集中在很小的范围内。此外，由于浓雾区域亮度值变化较小，使得局部图像块得到的暗通道特征可区分性很小。综上两方面原因，使得该方法无法应用于浓雾区域。2016年，Ren[4]将两个卷积网络结合起来估计透射率。该方法将有雾图像作为输入，同时输入给粗尺度网络及细尺度网络，并将两个网络相结合，最终输出估计的透射率图。但由于浓雾区域的特征非常的近似，且由于网络采用的是上采样及池化操作，使得最终得到的透射率图在浓雾区域过于的平滑，无法很好地体现差异性，导致最终恢复出来的图像在浓雾区域细节不够清晰。2016年，Cai[5]将原始有雾图像的图像块输入到卷积神经网络，通过卷积网络估计图像块的透射率，从而恢复出原始无雾图像。综上，由于浓雾区域本身存在相关特征非常不明显以及局部区域之间特征高度相似，使得上述基于学习的方法对于浓雾区域透射率预测的准确度大大降低，最终导致对于浓雾区域的去雾效果很不理想。
参考文献：
[1]K.Tang,J.Yang,J.Wang,"Investigating haze-relevant features in alearning framework for image dehazing,"in Proc.IEEE Conf.Comput.Vis.PatternRecognit.,2014.
[2]Q.Zhu,J.Mai,L.Shao,"A fast single image haze removal algorithmusing color attenuation prior,"IEEE Trans.Image Process.,vol.24,no.11,pp.3522–3533,2015.
[3]C.Wang,J.Ding,L.Chen,"Haze detection and haze degree degreeestimation using dark channel channels and contrast histograms,"in Proc.IEEEInt.Conf.Inf.,Commun.Signal Process.,2015.
[4]W.Ren,S.Liu,H.Zhang,J.Pan,X.Cao,M.Yang,"Single image dehazing viamulti-scale convolutional neural networks,"in Proc.Eur.Conf.Comput.Vis.,2016.
[5]B.Cai,X.Xu,K.Jia,C.Qing,D.Tao,"DehazeNet:An end-to-end system forsingle image haze removal,"IEEE Trans.Image Process.,vol.25,no.11,pp.5187–5198,2016.
发明内容
本发明的主要目的是针对现有基于学习的去雾算法存在的对于浓雾区域的透射率估计不准确的问题，提出一种对浓薄雾图像块进行区分处理及对浓雾图像块进行预处理的图像去雾算法。技术方案如下：
一种基于区域划分及浓雾预处理的卷积神经网络去雾算法，该算法首先训练该算法首先训练卷积神经网络W1及W2，W1采用LeNet网络结构，训练步骤如下:
(1)选取M个大小为r×r的无雾图像块对于每一个图像块选取透射率值对进行加雾，使得加雾后的图像块的暗通道值大于阈值T，对加雾的公式如下：
其中，y为内任一像素点，表示在y点R、G、B颜色通道的像素值，At＝(255,255,255)T；
暗通道值的计算公式如下：
其中，c为R、G、B颜色通道中的一个，表示在y点某一颜色通道的像素值，Atc表示At在同一颜色通道的像素值，Ω表示内所有像素点；
(2)对进行映射，结果为公式如下：
其中，βk为常数，表示映射函数第k+1的系数，k∈{1,2,......,K}，为在y点某一通道的像素值；
(3)将作为W1的训练数据，采用批量梯度下降算法对W1进行训练，迭代次数为N1，目标函数如下：
其中，表示W1在第d次迭代，d∈{1,2,......,N1}，对的估计值；表示第d次迭代的误差的平方和；
W2采用NIN网络结构，训练步骤如下:
(1)任意选取L个大小为r×r的无雾图像块对于每一个图像块j∈{1,2,......,L}，任意选取一个透射率值对进行加雾，使得加雾后的图像块的暗通道值小于阈值T；对加雾的公式如下：
其中，表示在y点R、G、B颜色通道的像素值，Ae＝(255,255,255)T；
暗通道值的计算公式如下：
其中，表示在y点某一颜色通道的像素值，Aec表示Ae在同一颜色通道的像素值，Ω表示内所有像素点；
(2)计算的暗通道特征图公式如下：
其中，Ω′(y)表示以y点为中心，大小为r×r的邻域，y′为该邻域内的像素点，如果Ω′(y)超出的范围，则超出的像素点不参与计算；
(3)将转换到HLS颜色空间，提取器色度分量
(4)将色度图暗通道特征图作为W2的训练数据，采用批量梯度下降算法对W2进行训练，迭代次数为N2，目标函数如下：
其中，表示W2在第d次迭代，d∈{1,2,......,N2}，对的估计值；表示第d次迭代的误差的平方和；
算法步骤如下：
步骤1：将有雾图像Ih划分成N个大小为r×r的不重叠的图像块P1,P2,......,PN，设Ih去雾后的结果为Jf，A＝(255,255,255)T；
步骤2：对于每个图像块Pi，计算Pi的暗通道值Di，公式如下：
其中，Ω表示Pi内所有像素点，为Pi在y点某一颜色通道的像素值，Ac为A在同一通道的像素值；
步骤3：如果Di≥T，则认为Pi为浓雾图像块，转至步骤4；否则，判定Pi为薄雾图像块，转至步骤6；
步骤4：对Pi进行映射，结果为公式如下：
其中，表示在y点某一颜色通道的像素值；
步骤5：将输入W1中，估计透射率ti；
步骤6：计算Pi的暗通道特征图Dmi，计算公式如下：
如果Ω′(y)超出Pi的范围，则超出的像素点不参与计算；
步骤7：将有Pi转换到HLS颜色空间，提取色度分量Hi；
步骤8：将Dmi及Hi输入到W2中，估计透射率ti；
步骤9：利用步骤5或8中得到的透射率ti，对Pi进行去雾，得到无雾图像块
步骤10：将赋值给Jf中对应Pi位置的图像块
本发明采用了一种基于浓薄雾区域划分及浓雾区域预处理的卷积神经网络去雾算法，将图像块划分为浓雾图像块及薄雾图像块，并对每类图像块采用相对应的卷积网络。特别低，对浓雾图像块，在输入神经网络之前进行增强，使其中的细节信息显露出来。与以往的基于学习的图像去雾算法相比，能够克服现有方法中存在的由于浓雾区域特征的不明显行性及高度的相似性而导致的对透射率估计严重不准确的问题，提高了透射率估计得准确性，避免了由于估计不准确而导致的颜色失真及细节不清晰的问题。
附图说明
本发明方法流程图
具体实施方式
本专利提出了一种基于浓薄雾区域划分及浓雾区域预处理的卷积神经网络去雾算法。首先，提取有雾图像中局部图像块的暗通道值并与阈值进行比较，判断该图像块为浓雾图像块或薄雾图像块。如果经过判断是浓雾图像块，则对该图像块进行增强处理，然后输入到卷积神经网络中，通过卷积网络来预计该图像块的透射率；如果是薄雾图像块，则提取该图像块的色度特征图及暗通道特征图，输入到卷积神经网络来判断该图像块的透射率。最终，在得到图像块透射率值的基础上，通过雾天图像的成像模型，计算出原始的无雾图像。具体方案如下：
该算法首先训练卷积神经网络W1及W2。W1采用LeNet网络结构，训练步骤如下:
(1)任意选取M个大小为r×r的无雾图像块对于每一个图像块j∈{1,2,......,M}，任意选取一个透射率值对进行加雾，使得加雾后的图像块的暗通道值大于阈值T。对加雾的公式如下：
其中，y为内任一像素点，表示在y点R、G、B颜色通道的像素值，At＝(255,255,255)T；
暗通道值的计算公式如下：
其中，c为R、G、B颜色通道中的一个，表示在y点某一颜色通道的像素值，Atc表示At在同一颜色通道的像素值，Ω表示内所有像素点。
(2)对进行映射，结果为公式如下：
其中，βk为常数，表示映射函数第k+1的系数，k∈{1,2,......,K}，为在y点某一通道的像素值。
(3)将作为W1的训练数据，采用批量梯度下降算法对W1进行训练，迭代次数为N1，目标函数如下：
其中，表示W1在第d次迭代，d∈{1,2,......,N1}，对的估计值；表示第d次迭代的误差的平方和。
W2采用NIN网络结构，训练步骤如下:
(1)任意选取L个大小为r×r的无雾图像块对于每一个图像块j∈{1,2,......,L}，任意选取一个透射率值对进行加雾，使得加雾后的图像块的暗通道值小于阈值T。对加雾的公式如下：
其中，表示在y点R、G、B颜色通道的像素值，Ae＝(255,255,255)T；
暗通道值的计算公式如下：
其中，表示在y点某一颜色通道的像素值，Aec表示Ae在同一颜色通道的像素值，Ω表示内所有像素点。
(2)计算的暗通道特征图公式如下：
其中，Ω′(y)表示以y点为中心，大小为r×r的邻域，y′为该邻域内的像素点。如果Ω′(y)超出的范围，则超出的像素点不参与计算。
(3)将转换到HLS颜色空间，提取器色度分量
(4)将色度图暗通道特征图作为W2的训练数据，采用批量梯度下降算法对W2进行训练，迭代次数为N2，目标函数如下：
其中，表示W2在第d次迭代，d∈{1,2,......,N2}，对的估计值；表示第d次迭代的误差的平方和。
算法步骤如下：
步骤1：将有雾图像Ih划分成N个大小为r×r的不重叠的图像块P1,P2,......,PN，设Ih去雾后的结果为Jf，A＝(255,255,255)T；
步骤2：对于每个图像块Pi，计算Pi的暗通道值Di，公式如下：
其中，Ω表示Pi内所有像素点，为Pi在y点某一颜色通道的像素值，Ac为A在同一通道的像素值。
步骤3：如果Di≥T，则认为Pi为浓雾图像块，转至步骤4；否则，判定Pi为薄雾图像块，转至步骤6。
步骤4：对Pi进行映射，结果为公式如下：
其中，表示在y点某一颜色通道的像素值。
步骤5：将输入W1中，估计透射率ti。
步骤6：计算Pi的暗通道特征图Dmi，计算公式如下：
如果Ω′(y)超出Pi的范围，则超出的像素点不参与计算。
步骤7：将有Pi转换到HLS颜色空间，提取色度分量Hi。
步骤8：将Dmi及Hi输入到W2中，估计透射率ti。
步骤9：利用步骤5或8中得到的透射率ti，对Pi进行去雾，得到无雾图像块公式如下：
步骤10：将赋值给Jf中对应Pi位置的图像块公式如下：

Claims (1)

1.一种基于区域划分及浓雾预处理的卷积神经网络去雾算法，该算法首先训练该算法首先训练卷积神经网络W1及W2。W1采用LeNet网络结构，训练步骤如下:
(1)选取M个大小为r×r的无雾图像块对于每一个图像块选取透射率值对进行加雾，使得加雾后的图像块的暗通道值大于阈值T，对加雾的公式如下：
<mrow> <msubsup> <mi>I</mi> <mi>j</mi> <mi>t</mi> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>P</mi> <mi>j</mi> <mi>t</mi> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <msubsup> <mi>t</mi> <mi>j</mi> <mi>t</mi> </msubsup> <mo>+</mo> <msup> <mi>A</mi> <mi>t</mi> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msubsup> <mi>t</mi> <mi>j</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
其中，y为内任一像素点，表示在y点R、G、B颜色通道的像素值，At＝(255,255,255)T；
暗通道值的计算公式如下：
<mrow> <msubsup> <mi>D</mi> <mi>j</mi> <mi>t</mi> </msubsup> <mo>=</mo> <munder> <mi>min</mi> <mrow> <mi>y</mi> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>r</mi> <mo>,</mo> <mi>g</mi> <mo>,</mo> <mi>b</mi> <mo>}</mo> </mrow> </munder> <msubsup> <mi>I</mi> <mi>j</mi> <mrow> <mi>t</mi> <mi>c</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>/</mo> <msup> <mi>A</mi> <mrow> <mi>t</mi> <mi>c</mi> </mrow> </msup> </mrow>
其中，c为R、G、B颜色通道中的一个，表示在y点某一颜色通道的像素值，Atc表示At在同一颜色通道的像素值，Ω表示内所有像素点；
(2)对进行映射，结果为公式如下：
<mrow> <msubsup> <mi>I</mi> <mi>j</mi> <mrow> <mi>t</mi> <mi>f</mi> <mi>c</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msubsup> <mi>I</mi> <mi>j</mi> <mrow> <mi>t</mi> <mi>c</mi> </mrow> </msubsup> <mo>(</mo> <mi>y</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>k</mi> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>I</mi> <mi>j</mi> <mrow> <mi>t</mi> <mi>c</mi> </mrow> </msubsup> <mo>(</mo> <mi>y</mi> <mo>)</mo> <mo>)</mo> </mrow> <mi>k</mi> </msup> </mrow>
其中，βk为常数，表示映射函数第k+1的系数，k∈{1,2,......,K}，为在y点某一通道的像素值；
(3)将作为W1的训练数据，采用批量梯度下降算法对W1进行训练，迭代次数为N1，目标函数如下：
其中，表示W1在第d次迭代，d∈{1,2,......,N1}，对的估计值；表示第d次迭代的误差的平方和；
W2采用NIN网络结构，训练步骤如下:
(1)任意选取L个大小为r×r的无雾图像块对于每一个图像块 任意选取一个透射率值对进行加雾，使得加雾后的图像块的暗通道值小于阈值T；对加雾的公式如下：
<mrow> <msubsup> <mi>I</mi> <mi>j</mi> <mi>e</mi> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>P</mi> <mi>j</mi> <mi>e</mi> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <msubsup> <mi>t</mi> <mi>j</mi> <mi>e</mi> </msubsup> <mo>+</mo> <msup> <mi>A</mi> <mi>e</mi> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msubsup> <mi>t</mi> <mi>j</mi> <mi>e</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
其中，表示在y点R、G、B颜色通道的像素值，Ae＝(255,255,255)T；
暗通道值的计算公式如下：
<mrow> <msubsup> <mi>D</mi> <mi>j</mi> <mi>e</mi> </msubsup> <mo>=</mo> <munder> <mi>min</mi> <mrow> <mi>y</mi> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>r</mi> <mo>,</mo> <mi>g</mi> <mo>,</mo> <mi>b</mi> <mo>}</mo> </mrow> </munder> <msubsup> <mi>I</mi> <mi>j</mi> <mrow> <mi>e</mi> <mi>c</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>/</mo> <msup> <mi>A</mi> <mrow> <mi>e</mi> <mi>c</mi> </mrow> </msup> </mrow>
其中，表示在y点某一颜色通道的像素值，Aec表示Ae在同一颜色通道的像素值，Ω表示内所有像素点；
(2)计算的暗通道特征图公式如下：
<mrow> <msubsup> <mi>D</mi> <mrow> <mi>m</mi> <mi>j</mi> </mrow> <mi>e</mi> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>min</mi> <mrow> <msup> <mi>y</mi> <mo>&amp;prime;</mo> </msup> <mo>&amp;Element;</mo> <msup> <mi>&amp;Omega;</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>r</mi> <mo>,</mo> <mi>g</mi> <mo>,</mo> <mi>b</mi> <mo>}</mo> </mrow> </munder> <msubsup> <mi>I</mi> <mi>j</mi> <mi>e</mi> </msubsup> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>/</mo> <msup> <mi>A</mi> <mrow> <mi>e</mi> <mi>c</mi> </mrow> </msup> </mrow>
其中，Ω′(y)表示以y点为中心，大小为r×r的邻域，y′为该邻域内的像素点，如果Ω′(y)超出的范围，则超出的像素点不参与计算；
(3)将转换到HLS颜色空间，提取器色度分量
(4)将色度图暗通道特征图作为W2的训练数据，采用批量梯度下降算法对W2进行训练，迭代次数为N2，目标函数如下：
其中，表示W2在第d次迭代，d∈{1,2,......,N2}，对的估计值；表示第d次迭代的误差的平方和；
算法步骤如下：
步骤1：将有雾图像Ih划分成N个大小为r×r的不重叠的图像块P1,P2,......,PN，设Ih去雾后的结果为Jf，A＝(255,255,255)T；
步骤2：对于每个图像块Pi，计算Pi的暗通道值Di，公式如下：
<mrow> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mi>min</mi> <mrow> <mi>y</mi> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>r</mi> <mo>,</mo> <mi>g</mi> <mo>,</mo> <mi>b</mi> <mo>}</mo> </mrow> </munder> <msubsup> <mi>P</mi> <mi>i</mi> <mi>c</mi> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>/</mo> <msup> <mi>A</mi> <mi>c</mi> </msup> </mrow>
其中，Ω表示Pi内所有像素点，为Pi在y点某一颜色通道的像素值，Ac为A在同一通道的像素值；
步骤3：如果Di≥T，则认为Pi为浓雾图像块，转至步骤4；否则，判定Pi为薄雾图像块，转至步骤6；
步骤4：对Pi进行映射，结果为公式如下：
<mrow> <msubsup> <mi>P</mi> <mi>i</mi> <mrow> <mi>f</mi> <mi>c</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>i</mi> <mi>c</mi> </msubsup> <mo>(</mo> <mi>y</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>k</mi> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>i</mi> <mi>c</mi> </msubsup> <mo>(</mo> <mi>y</mi> <mo>)</mo> <mo>)</mo> </mrow> <mi>k</mi> </msup> </mrow>
其中，表示在y点某一颜色通道的像素值；
步骤5：将输入W1中，估计透射率ti；
步骤6：计算Pi的暗通道特征图Dmi，计算公式如下：
<mrow> <msub> <mi>D</mi> <mrow> <mi>m</mi> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>min</mi> <mrow> <msup> <mi>y</mi> <mo>&amp;prime;</mo> </msup> <mo>&amp;Element;</mo> <msup> <mi>&amp;Omega;</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </munder> <munder> <mi>min</mi> <mrow> <mi>c</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>r</mi> <mo>,</mo> <mi>g</mi> <mo>,</mo> <mi>b</mi> <mo>}</mo> </mrow> </munder> <msubsup> <mi>P</mi> <mi>i</mi> <mi>c</mi> </msubsup> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>/</mo> <msup> <mi>A</mi> <mi>c</mi> </msup> </mrow>
如果Ω′(y)超出Pi的范围，则超出的像素点不参与计算；
步骤7：将有Pi转换到HLS颜色空间，提取色度分量Hi；
步骤8：将Dmi及Hi输入到W2中，估计透射率ti；
步骤9：利用步骤5或8中得到的透射率ti，对Pi进行去雾，得到无雾图像块
步骤10：将赋值给Jf中对应Pi位置的图像块
CN201710414385.XA 2017-06-05 2017-06-05 基于区域划分及浓雾预处理的卷积神经网络去雾方法 Active CN107301624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710414385.XA CN107301624B (zh) 2017-06-05 2017-06-05 基于区域划分及浓雾预处理的卷积神经网络去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710414385.XA CN107301624B (zh) 2017-06-05 2017-06-05 基于区域划分及浓雾预处理的卷积神经网络去雾方法

Publications (2)

Publication Number Publication Date
CN107301624A true CN107301624A (zh) 2017-10-27
CN107301624B CN107301624B (zh) 2020-03-17

Family

ID=60134621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710414385.XA Active CN107301624B (zh) 2017-06-05 2017-06-05 基于区域划分及浓雾预处理的卷积神经网络去雾方法

Country Status (1)

Country Link
CN (1) CN107301624B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992799A (zh) * 2017-11-10 2018-05-04 大连理工大学 面向烟雾检测应用的预处理方法
CN108652675A (zh) * 2018-02-11 2018-10-16 江苏金羿智芯科技有限公司 一种基于人工智能的内窥镜图像去雾系统
CN108711139A (zh) * 2018-04-24 2018-10-26 特斯联（北京）科技有限公司 一种基于去雾ai图像分析系统和快速响应门禁控制方法
CN108898562A (zh) * 2018-06-22 2018-11-27 大连海事大学 一种基于深度学习的移动设备图像去雾方法
CN109118451A (zh) * 2018-08-21 2019-01-01 李青山 一种基于卷积回归的航空正射影像去雾算法
CN109118441A (zh) * 2018-07-17 2019-01-01 厦门理工学院 一种低照度图像及视频增强方法、计算机装置及存储介质
CN110738623A (zh) * 2019-10-18 2020-01-31 电子科技大学 一种基于透射谱指导的多级对比度拉伸去雾方法
CN110807743A (zh) * 2019-10-24 2020-02-18 华中科技大学 一种基于卷积神经网络的图像去雾方法
CN111316316A (zh) * 2019-04-10 2020-06-19 深圳市大疆创新科技有限公司 用于图像复原的神经网络及其训练与使用方法
CN113139922A (zh) * 2021-05-31 2021-07-20 中国科学院长春光学精密机械与物理研究所 图像去雾方法及去雾装置
CN114693548A (zh) * 2022-03-08 2022-07-01 电子科技大学 一种基于亮区域检测的暗通道去雾方法
CN115802055A (zh) * 2023-01-30 2023-03-14 孔像汽车科技(武汉)有限公司 基于fpga的图像去雾处理方法、装置、芯片和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504658A (zh) * 2014-12-15 2015-04-08 中国科学院深圳先进技术研究院 基于bp神经网络的单一图像去雾方法及装置
CN104933680A (zh) * 2015-03-13 2015-09-23 哈尔滨工程大学 一种智能的无人艇视觉系统视频快速海雾去除方法
US20150371373A1 (en) * 2014-06-20 2015-12-24 Hyundai Motor Company Apparatus and method for removing fog in image
CN105574827A (zh) * 2015-12-17 2016-05-11 中国科学院深圳先进技术研究院 一种图像去雾的方法、装置
CN105719247A (zh) * 2016-01-13 2016-06-29 华南农业大学 基于特征学习的单幅图像去雾方法
CN106600560A (zh) * 2016-12-22 2017-04-26 福州大学 一种适用于行车记录仪的图像去雾方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150371373A1 (en) * 2014-06-20 2015-12-24 Hyundai Motor Company Apparatus and method for removing fog in image
CN104504658A (zh) * 2014-12-15 2015-04-08 中国科学院深圳先进技术研究院 基于bp神经网络的单一图像去雾方法及装置
CN104933680A (zh) * 2015-03-13 2015-09-23 哈尔滨工程大学 一种智能的无人艇视觉系统视频快速海雾去除方法
CN105574827A (zh) * 2015-12-17 2016-05-11 中国科学院深圳先进技术研究院 一种图像去雾的方法、装置
CN105719247A (zh) * 2016-01-13 2016-06-29 华南农业大学 基于特征学习的单幅图像去雾方法
CN106600560A (zh) * 2016-12-22 2017-04-26 福州大学 一种适用于行车记录仪的图像去雾方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992799B (zh) * 2017-11-10 2019-11-08 大连理工大学 面向烟雾检测应用的预处理方法
CN107992799A (zh) * 2017-11-10 2018-05-04 大连理工大学 面向烟雾检测应用的预处理方法
CN108652675A (zh) * 2018-02-11 2018-10-16 江苏金羿智芯科技有限公司 一种基于人工智能的内窥镜图像去雾系统
CN108711139A (zh) * 2018-04-24 2018-10-26 特斯联（北京）科技有限公司 一种基于去雾ai图像分析系统和快速响应门禁控制方法
CN108711139B (zh) * 2018-04-24 2019-04-23 特斯联（北京）科技有限公司 一种基于去雾ai图像分析系统和快速响应门禁控制方法
CN108898562A (zh) * 2018-06-22 2018-11-27 大连海事大学 一种基于深度学习的移动设备图像去雾方法
CN108898562B (zh) * 2018-06-22 2022-04-12 大连海事大学 一种基于深度学习的移动设备图像去雾方法
CN109118441A (zh) * 2018-07-17 2019-01-01 厦门理工学院 一种低照度图像及视频增强方法、计算机装置及存储介质
CN109118441B (zh) * 2018-07-17 2022-04-12 厦门理工学院 一种低照度图像及视频增强方法、计算机装置及存储介质
CN109118451A (zh) * 2018-08-21 2019-01-01 李青山 一种基于卷积回归的航空正射影像去雾算法
WO2020206630A1 (zh) * 2019-04-10 2020-10-15 深圳市大疆创新科技有限公司 用于图像复原的神经网络及其训练与使用方法
CN111316316A (zh) * 2019-04-10 2020-06-19 深圳市大疆创新科技有限公司 用于图像复原的神经网络及其训练与使用方法
CN110738623A (zh) * 2019-10-18 2020-01-31 电子科技大学 一种基于透射谱指导的多级对比度拉伸去雾方法
CN110807743B (zh) * 2019-10-24 2022-02-15 华中科技大学 一种基于卷积神经网络的图像去雾方法
CN110807743A (zh) * 2019-10-24 2020-02-18 华中科技大学 一种基于卷积神经网络的图像去雾方法
CN113139922A (zh) * 2021-05-31 2021-07-20 中国科学院长春光学精密机械与物理研究所 图像去雾方法及去雾装置
CN113139922B (zh) * 2021-05-31 2022-08-02 中国科学院长春光学精密机械与物理研究所 图像去雾方法及去雾装置
CN114693548A (zh) * 2022-03-08 2022-07-01 电子科技大学 一种基于亮区域检测的暗通道去雾方法
CN114693548B (zh) * 2022-03-08 2023-04-18 电子科技大学 一种基于亮区域检测的暗通道去雾方法
CN115802055A (zh) * 2023-01-30 2023-03-14 孔像汽车科技(武汉)有限公司 基于fpga的图像去雾处理方法、装置、芯片和存储介质
CN115802055B (zh) * 2023-01-30 2023-06-20 孔像汽车科技(武汉)有限公司 基于fpga的图像去雾处理方法、装置、芯片和存储介质

Also Published As

Publication number Publication date
CN107301624B (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN107301624B (zh) 基于区域划分及浓雾预处理的卷积神经网络去雾方法
CN107103591B (zh) 一种基于图像雾霾浓度估计的单幅图像去雾方法
Negru et al. Exponential contrast restoration in fog conditions for driving assistance
CN102831591B (zh) 一种基于高斯滤波的单幅图像的实时去雾方法
CN108269244B (zh) 一种基于深度学习和先验约束的图像去雾系统
CN110097522B (zh) 一种基于多尺度卷积神经网络的单幅户外图像去雾方法
CN103914820B (zh) 一种基于图像分层增强的图像去雾方法及系统
CN108154492B (zh) 一种基于非局部均值滤波的图像去雾霾方法
CN107273870A (zh) 一种监控场景下融合上下文信息的行人位置检测方法
CN104272347A (zh) 去除包含在静止图像中的雾的图像处理装置及其方法
CN107093173A (zh) 一种图像雾霾浓度的估计方法
CN106023108A (zh) 基于边界约束和上下文正则化的图像去雾算法
CN106657948A (zh) 低照度Bayer图像的增强方法及增强装置
CN111598886B (zh) 一种基于单幅图像的像素级透过率估计方法
Bansal et al. A review of image restoration based image defogging algorithms
Yu et al. Image and video dehazing using view-based cluster segmentation
CN105898111A (zh) 一种基于谱聚类的视频去雾方法
Zhang et al. Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras
Wang et al. Haze removal algorithm based on single-images with chromatic properties
CN103778605A (zh) 一种雾天图像增强方法
Chen et al. Improve transmission by designing filters for image dehazing
Thepade et al. Improved haze removal method using proportionate fusion of color attenuation prior and edge preserving
Negru et al. Exponential image enhancement in daytime fog conditions
CN107292837A (zh) 基于误差补偿的图像去雾算法
Sivaanpu et al. Scene-Specific Dark Channel Prior for Single Image Fog Removal

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant