CN110992293A - 一种自适应视频去雾方法与装置 - Google Patents
一种自适应视频去雾方法与装置 Download PDFInfo
- Publication number
- CN110992293A CN110992293A CN201911290512.5A CN201911290512A CN110992293A CN 110992293 A CN110992293 A CN 110992293A CN 201911290512 A CN201911290512 A CN 201911290512A CN 110992293 A CN110992293 A CN 110992293A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- atmospheric
- image
- adaptive video
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 230000008033 biological extinction Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000002834 transmittance Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000002245 particle Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自适应视频去雾方法与装置，所述装置包括：处理终端，单目相机，红外测距模块，WIFI模块，主控芯片。步骤包括：步骤一、搭建透射图计算卷积神经网络；步骤二、训练卷积神经网络；步骤三、搭建无线摄像机成像系统和红外测距系统；步骤四、传输信息并计算大气能见度；步骤五、通过神经网络计算中间透射图；步骤六、通过大气散射模型复原无雾图像。这种办法计算量相对较小，可做到视频实时处理，去雾效果好，不出现光晕和伪影现象，提升图像质量。
Description
技术领域
本发明涉及图像去雾技术，尤其涉及一种自适应视频去雾方法与装置。
背景技术
雾霾是一种常见的大气现象，其中的灰尘，烟雾和其他干燥颗粒会降低大气的透明度。光线需要穿过密集的大气才能对远处的物体成像，由于雾霾颗粒的光散射的影响，导致一般成像系统拍摄出来的图像对比度非常的低，能见度差。尤其对道路监控摄像头影响巨大。
去雾一直以来都是一种非常具有挑战性的问题，因为物体在不同深度下，雾的浓度也是不同的。许多图像增强技术被用于图像去雾，例如基于直方图的，基于对比度的，基于饱和度的。
基于无雾图像和有雾图像的统计，何凯明博士发现，每一幅图像的RGB三个颜色通道中，总有一个通道的灰度值很低，几乎趋向于0。根据这条规律发明了暗通道先验算法，该算法简单易用，广泛运用在图像去雾领域中。但是该算法计算量很大，而且在计算天空雾图像时会失效。
近年来，随着国内外学者对深度学习展开进一步研究，有一些神经网络对去雾和图像重建有良好的效果。朱博士基于颜色衰减先验估计景深的监督学习方法在去雾上取得了不错的结果，不过由于这些方法依然和雾度先验有关，所以在特定场景会失效。
总结现有存在的去雾系统，在生成图像的质量和生成图像的速度任然有如下缺点：
1.速度慢，暗通道先验以及大多去雾算法所需计算量太大，无法满足实时要求。
2.效果不理想，在天空或者白色的背景下，去雾效果不明显。在近景处会有过饱和以及过暗丢失细节的现象。
3.在没有雾的情况下依然运行去雾增强算法，造成图像偏暗细节丢失。
发明内容
针对现有技术的不足，本发明提供一种适应环境的视频实时去雾方法及装置的技术方案，能高效的解决雾天视频模糊不清问题。
为解决上述问题，本发明通过摄像机获得有雾图像，在获得图像时首先通过红外测距传感器获得的距离来计算图像能见度，在能见度过低时开启去雾算法，对摄像机获得的图像实时去雾。首先对拍摄到的雾图，输入已经训练好的神经网络计算出中间透射图，再根据大气散射模型复原出无雾图的每个像素点。
一种自适应视频去雾方法，其特征在于包括以下步骤：
步骤一：搭建透射图计算卷积神经网络；
步骤二：训练卷积神经网络；
步骤三：搭建无线摄像机成像系统和红外测距系统；
步骤四：传输信息并计算大气能见度；
步骤五：通过神经网络计算中间透射图；
步骤六：通过大气散射模型复原无雾图像。
进一步的，所述步骤一中搭建透射图计算神经网络，过程包括：特征提取，多尺度映射，局部极值和非线性回归，以此建立卷积神经网络。
进一步的，所述特征提取的步骤使用了Maxout激活函数作为减少尺寸的非线性映射，它通过对k个仿射特征图进行逐像素最大化操作来生成新的特征图，以此来替代基于假设的有雾特征提取，基于Maxout单元，如下设计神经网络的第一层
其中W1 i,j和
代表了滤波器和偏置，*代表卷积，i代表第i个滤波器，j代表第j个通道，x代表图像像素位置，gi,j代表第一个卷积层计算结果，
为第m层的输出特征图，
代表在j通道数组中取一个最大值，Maxout单元通过学习来提取与雾度相关的特征。
进一步的，所述多尺度特征映射步骤输入多个空间尺度的特征图，并且可保持特征不变性。选择在网络的第二层中使用并行卷积运算，其中使用大小在3×3、5×5和7×7之间的卷积滤波器，并且对于这三个尺度，使用相同数量的滤波器，第二层的输出写为：
F2＝(Fa:Fb:Fc)
其中，
为网络第二层第一组的权重和偏置，
为网络第二层第二组的权重和偏置，
为网络第二层第三组的权重和偏置，F2＝(Fa:Fb:Fc)代表将三个数组组合成一个数组。
进一步的，所述的使用局部极值采用如下处理方式：
其中Ω(x)是以x为中心的f3×f3区域，x为输出的像素位置，y为输入的像素位置；
在非线性回归步骤上，最后使用BReLU作为一种新型回归函数，可保持双边约束和局部线性，第四层可被定义为：
F4＝min(tmax,max(tmin,W4*F3+B4))
其中W4包含权重，B4包含偏置，tmin,max是BReLU的边界条件。
进一步的，所述的步骤三中无线摄像机成像和红外测距系统，包括处理终端，单目相机，红外测距模块，WIFI模块，主控芯片；在雾天时，将单目相机，红外测距模块组合起来对准室外目标物，调整WIFI模块将采集到的距离信息和视频信息无线传输至终端上待处理。
进一步的，所述的步骤四中，结合暗原色先验的算法和Koschmieder定律计算能见度，能见度关系可以用关系式：
其中，ε为视觉对比阈值，ε是一个与人眼视觉特征有关的物理量，β为大气消光系数，V为能见度(单位：米)，当计算能见度低于设定值R时，视频实时去雾算法开启，当计算能见度高于设定值R时，不启动视频实时去雾算法；所述大气消光系数β的计算方法为通过求取暗通道的大气透射率，然后根据衰减定律求出大气消光系数。
进一步的，所述步骤五中，通过神经网络计算中间透射图的过程中，由于在网络第三层中存在局部极值，因此阻塞伪影会出现在最后获得的透射图中。为了优化透射图，使用导向滤波来平滑图像，再输出透射图作为结果。
进一步的，所述大气散射模型为I(z)＝J(z)t(z)+A(1-t(z))
其中，I是指观测到的图像的强度，A为大气光，J是无雾图，t是透射率矩阵，中间透射图t是指没有被散射达到相机的光线部分。
一种自适应视频去雾系统，包括单目相机，其特征在于还包括处理终端，红外测距模块，WIFI模块，主控芯片，在雾天时，将单目相机，红外测距模块组合起来对准室外目标物，调整WIFI模块将采集到的距离信息和视频信息无线传输至终端上待处理。
在图像去雾的方法上面创新性的提出了采用神经网络计算中间透射图的办法，再通过大气散射模型结合透射图复原出无雾图像。这种办法计算量相对较小，可做到视频实时处理，去雾效果好，不出现光晕和伪影现象。
同时该系统图像采集端采用无线连接方案，可分布式结构使得系统灵活又实用。该系统融合了大气能见度计算，通过红外测距获得目标物的距离，结合雾图计算出当前图像的能见度，并且控制去雾算法是否开启，提升图像质量。
附图说明
图1为神经网络网络图；
图2为本发明方法的硬件示意图；
图3软件流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
步骤一：搭建透射图计算卷积神经网络。
本发明采用神经网络来计算透射图，神经网络的结构大概为：特征提取，多尺度映射，局部极值和非线性回归。详细说明如下：
下文符号右下角数字标号代表神经网络的层数，如W1代表第一层权重，F3代表第三层输出特征图。
(1)特征提取
为了解决图像去雾问题，现有去雾方法提出了各种假设，并基于这些假设来提取与雾度相关的特征。本发明使用适当的滤波器对输入的有雾图像进行卷积，然后进行非线性映射，以此来替代基于假设的有雾特征提取。受那些与雾度相关特征的颜色通道中的极值处理的启发，本发明使用了Maxout激活函数作为减少尺寸的非线性映射。
Maxout单元是用于多层感知器或CNN的简单前馈非线性激活函数。当用于CNN中时，它通过对k个仿射特征图进行逐像素最大化操作来生成新的特征图。基于Maxout单元，如下设计神经网络的第一层
其中W1 i,j和
代表了滤波器和偏置，*代表卷积，i代表第i个滤波器，j代表第j个通道，x代表图像像素位置，gi,j代表第一个卷积层计算结果，
为第m层的输出特征图，
代表在j通道数组中取一个最大值，Maxout单元通过学习来提取与雾度相关的特征。
(2)多尺度映射
多尺度特征可有效去除雾度，输入多个空间尺度的特征图，并且可保持特征不变性。选择在网络的第二层中使用并行卷积运算，其中使用大小在3×3、5×5和7×7之间的卷积滤波器，并且对于这三个尺度，使用相同数量的滤波器。
形式上，第二层的输出写为：
其中，
为网络第二层第一组的权重和偏置，
为网络第二层第二组的权重和偏置，
为网络第二层第三组的权重和偏置。F2＝(Fa:Fb:Fc)代表将三个数组组合成一个数组。
(3)局部极值
为了实现空间不变性，可以通过一系列池化操作，来描述复杂单元的空间整合特性。局部最大值是根据介质传输局部恒定的假设进行的，通常是要克服传输估计的噪声。因此，在第三层中使用局部极值操作：
其中Ω(x)是以x为中心的f3×f3区域，x为输出的像素位置，y为输入的像素位置，第三层的输出维度和输入维度相同，与普通的最大池化不同的是，这种局部极值操作被运用在每个特征像素图，能保留分辨率用于图像恢复。
(4)非线性回归
深度网络中非线性激活函数的标准选择包括Sigmoid和ReLU。前者更容遭受梯度消失的影响，这可能导致网络训练中收敛缓慢或局部最优性差。而ReLU是为分类问题而设计的，并不完全适合诸如图像恢复之类的回归问题。所以使用BReLU作为一种新型线性单位，可保持双边约束和局部线性。第四层可被定义为：
F4＝min(tmax,max(tmin,W4*F3+B4))
其中W4包含权重，B4包含偏置，tmin,max是BReLU的边界条件。
将以上四个层级联在一起以形成基于CNN的可训的神经网络，其中与卷积层关联的滤波器和偏执是要学习的网络参数。
步骤二：训练卷积神经网络
由于无法大量获得自然场景的成对雾图像和无雾图像，所以本发明使用基于物理雾度形成模型来训练数据。从互联网上收集包括自然和城市景观的无雾图像，并且利用大气散射模型手动给图像加上随机的雾，达到获取大量成对的雾图和无雾图的目的。
使用随机梯度下降算法来训练该模型，得到权重值
步骤三：搭建无线摄像机成像系统和红外测距系统
所述无线摄像机成像和红外测距系统，包括处理终端，单目相机，红外测距模块，WIFI模块，主控芯片，主控芯片采用STM32。所述处理终端用于构建和训练神经网络，STM32用于采集单目相机和红外测距模块的数据，并通过WIFI模块传输给处理终端，在雾天时，将单目相机，红外测距模块组合起来对准室外目标物，调整WIFI模块将采集到的距离信息和视频信息无线传输至终端上待处理。该系统能采集到24帧/秒的640×80图像，每秒采集200次距离信息。
步骤四：传输信息并计算大气能见度
在接受到视频信息和距离后，使用200次距离信息的平均值和每秒第一帧图像计算大气能见度，大气能见度是目标物的能见距离。
根据Koschmieder定律，大气能见度V(单位：米)与大气消光系数β在式所描述的关系为：
其中，ε为视觉对比阈值，ε是一个与人眼视觉特征有关的物理量，世界气象组织(WMO)选取的比感阈值ε为0.02。一般可取0.02～0.05。
得到消光系数β便可计得大气能见度，为求出消光系数，本发明采用暗通道先验算法，暗通道先验是通过求取暗通道的大气透射率，然后根据衰减定律求出大气消光系数。
a)透射率求取
基于大气散射模型并采用暗原色先验的算法计算，求得透射率矩阵t，由此获得任意目标z位置处的透射率t(z)。
b)能见度求取
光在介质中传播时，一部分被吸收转化为热能释放，另一部分在过程中被颗粒散射，光传播偏离原方向，丢失一部分，余下进入摄像机。此时，透射部分光与入射光强之间符合朗伯-比尔定律。大气消光系数与透射率之间满足下式：
t(z)＝e-βd(z)
其中，β为消光系数，d为z处目标物的成像距离，可通过红外测距传感器计算。获得透射率后可用公式
求得能见度。
经过实验，当计算能见度大于10000米时，系统认为无雾，不启用去雾算法直接输出视频信息。当计算能见度小于10000米时，系统认为有雾，启用去雾算法，输出算法计算结果。
步骤五：通过神经网络计算中间透射图
通过第1步的神经网络，计算出中间透射图。
由于在第三层中存在局部极值，因此阻塞伪影会出现在最后获得的透射图中。为了优化透射图，使用导向滤波来平滑图像。
步骤六：通过大气散射模型复原无雾图像
为了描述有雾图像，本发明采用由McCartney提出的大气散射模型：
I(z)＝J(z)t(z)+A(1-t(z))
其中，I是指观测到的图像的强度，A为大气光，J是无雾图，t是透射率矩阵，。中间透射图t是指没有被散射达到相机的光线部分。
神经网络计算出透射图使用大气散射模型复原无雾图并且输出。
下面结合具体实施例做详细说明。
首先搭建神经网络并且训练，如图1网络图，使用caffe框架搭建神经网络，使用随机梯度下降算法来训练神经网络。从互联网收集10000张图片，每张图片生成10张随机的有雾图。一共100000张图片进行训练，使用高斯分布随机初始化网络中的初始值权重，学习率设置为0.005—0.0025，根据上述参数，在装有Nvidia GeForce GTX 780GPU的PC上训练(500,000次迭代，批处理大小为128张图)，得到网络权重值。
进一步，如图2搭建无线摄像机成像系统和红外测距系统，在雾天时，将单目相机，红外测距模块组合起来对准室外目标物，调整WIFI模块将采集到的距离信息和视频信息无线传输至终端上待处理，采集到24帧/秒的640*480图像，每秒采集200次距离信息。
在接受到视频信息和距离后，使用200次距离信息的平均值和每秒第一帧图像计算大气能见度。当计算能见度大于10000米时，系统认为无雾，不启用去雾算法直接输出视频信息。当计算能见度小于10000米时，系统认为有雾，启用去雾算法，输出算法计算结果。
如图1所示，终端接收到视频信息后，将图片分帧输入神经网络。首先通过特征提取卷积层提取特征，再分别使用大小为3×3、5×5和7×7的卷积层分别运算，计算结果分别为16通道特征图，把计算结果的通道值拼合起来，输出48通道多尺度映射图。
进一步计算每个通道到局部极值，使用BReLU线性回归出最后的结果。
由于在第三层中存在局部极值，因此阻塞伪影会出现在最后获得的透射图中。为了优化透射图，使用导向滤波来平滑图像。在透射图中选择强度为前0.1％的边界值作为t0，在t0之中选择对应的模糊图像I中的最高强度像素。作为大气光A。给定透射图和大气光A，可以根据大气散射公式恢复无雾图像J。
与现有技术相比，本发明的优势在于：
结合计算大气能见度，控制获得更加清晰图像，做到无雾环境下不降低图像质量，有雾环境下提高图像能见度。使用神经网络算法计算透射图，结合大气散射模型传统特征实时去雾有更好的效果，不会出现光晕等现象。摄像机无线连接有更加好的灵活性和实用程度。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种自适应视频去雾方法，其特征在于包括以下步骤：
步骤一：搭建透射图计算卷积神经网络；
步骤二：训练卷积神经网络；
步骤三：搭建无线摄像机成像系统和红外测距系统；
步骤四：传输信息并计算大气能见度；
步骤五：通过神经网络计算中间透射图；
步骤六：通过大气散射模型复原无雾图像。
2.如权利要求1所述的自适应视频去雾方法，其特征在于：
所述步骤一中搭建透射图计算神经网络，过程包括：特征提取，多尺度映射，局部极值和非线性回归，以此建立卷积神经网络。
3.如权利要求2所述的自适应视频去雾方法，其特征在于：所述特征提取的步骤使用了Maxout激活函数作为减少尺寸的非线性映射，它通过对k个仿射特征图进行逐像素最大化操作来生成新的特征图，以此来替代基于假设的有雾特征提取，基于Maxout单元，如下设计神经网络的第一层
其中W1 i,j和
代表了滤波器和偏置，*代表卷积，i代表第i个滤波器，j代表第j个通道，x代表图像像素位置，gi,j代表第一个卷积层计算结果，
为第m层的输出特征图，
代表在j通道数组中取一个最大值，Maxout单元通过学习来提取与雾度相关的特征。
4.如权利要求2所述的自适应视频去雾方法，其特征在于：所述多尺度特征映射步骤输入多个空间尺度的特征图，并且可保持特征不变性，选择在网络的第二层中使用并行卷积运算，其中使用大小在3×3、5×5和7×7之间的卷积滤波器，并且对于这三个尺度，使用相同数量的滤波器，第二层的输出写为：
F2＝(Fa:Fb:Fc)
其中，
为网络第二层第一组的权重和偏置，
为网络第二层第二组的权重和偏置，
为网络第二层第三组的权重和偏置，F2＝(Fa:Fb:Fc)代表将三个数组组合成一个数组。
5.如权利要求2所述的自适应视频去雾方法，其特征在于：所述局部极值采用如下处理方式：
其中Ω(x)是以x为中心的f3×f3区域，x为输出的像素位置，y为输入的像素位置；
在非线性回归步骤上，最后使用BReLU作为一种新型回归函数，可保持双边约束和局部线性，第四层可被定义为：
F4＝min(tmax,max(tmin,W4*F3+B4))
其中W4包含权重，B4包含偏置，tmin,max是BReLU的边界条件。
6.如权利要求1所述的自适应视频去雾方法，其特征在于：所述步骤三无线摄像机成像和红外测距系统，包括处理终端，单目相机，红外测距模块，WIFI模块，主控芯片，在雾天时，将单目相机，红外测距模块组合起来对准室外目标物，调整WIFI模块将采集到的距离信息和视频信息无线传输至终端上待处理。
7.如权利要求1所述的自适应视频去雾方法，其特征在于：所述步骤四结合暗原色先验的算法和Koschmieder定律计算能见度，能见度关系可以用关系式：
其中，ε为视觉对比阈值，ε是一个与人眼视觉特征有关的物理量，β为大气消光系数，V为能见度(单位：米)，当计算能见度低于设定值R时，视频实时去雾算法开启，当计算能见度高于设定值R时，不启动视频实时去雾算法；所述大气消光系数β的计算方法为通过求取暗通道的大气透射率，然后根据衰减定律求出大气消光系数。
8.如权利要求1所述的自适应视频去雾方法，其特征在于：所述步骤五通过神经网络计算中间透射图的过程中，由于在网络第三层中存在局部极值，因此阻塞伪影会出现在最后获得的透射图中，为了优化透射图，使用导向滤波来平滑图像，再输出透射图作为结果。
9.如权利要求1所述的自适应视频去雾方法与装置，其特征在于：所述大气散射模型为I(z)＝J(z)t(z)+A(1-t(z))
其中，I是指观测到的图像的强度，A为大气光，J是无雾图，t是透射率矩阵，中间透射图t是指没有被散射达到相机的光线部分。
10.一种自适应视频去雾系统，包括单目相机，其特征在于还包括处理终端，红外测距模块，WIFI模块，主控芯片，在雾天时，将单目相机，红外测距模块组合起来对准室外目标物，调整WIFI模块将采集到的距离信息和视频信息无线传输至终端上待处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911290512.5A CN110992293A (zh) | 2019-12-13 | 2019-12-13 | 一种自适应视频去雾方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911290512.5A CN110992293A (zh) | 2019-12-13 | 2019-12-13 | 一种自适应视频去雾方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110992293A true CN110992293A (zh) | 2020-04-10 |
Family
ID=70093851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911290512.5A Pending CN110992293A (zh) | 2019-12-13 | 2019-12-13 | 一种自适应视频去雾方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992293A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191980A (zh) * | 2021-05-12 | 2021-07-30 | 大连海事大学 | 一种基于成像模型的水下图像增强方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
| CN107317969A (zh) * | 2017-07-27 | 2017-11-03 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN110108253A (zh) * | 2019-05-31 | 2019-08-09 | 烟台艾睿光电科技有限公司 | 单目红外热像仪的测距方法、装置、设备及可读存储设备 |
-
2019
- 2019-12-13 CN CN201911290512.5A patent/CN110992293A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
| CN107317969A (zh) * | 2017-07-27 | 2017-11-03 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN110108253A (zh) * | 2019-05-31 | 2019-08-09 | 烟台艾睿光电科技有限公司 | 单目红外热像仪的测距方法、装置、设备及可读存储设备 |
Non-Patent Citations (2)
| Title |
|---|
| BOLUN CAI 等: "DehazeNet: An End-to-End System for Single Image Haze Removal" * |
| 公路交通科技: "高速公路能见度快速检测算法" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191980A (zh) * | 2021-05-12 | 2021-07-30 | 大连海事大学 | 一种基于成像模型的水下图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097519B (zh) | 基于深度学习的双监督图像去雾方法、系统、介质和设备 | |
| CN108537756B (zh) | 基于图像融合的单幅图像去雾方法 | |
| CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
| CN109272455A (zh) | 基于弱监督生成对抗网络的图像去雾方法 | |
| CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
| CN104217404A (zh) | 雾霾天视频图像清晰化处理方法及其装置 | |
| CN113222877B (zh) | 红外和可见光图像融合方法及其在机载光电视频中的应用 | |
| CN108564549A (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
| CN106779054B (zh) | 一种基于雾天图像的pm2.5估计方法 | |
| CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
| CN115223004A (zh) | 基于改进的多尺度融合生成对抗网络图像增强方法 | |
| CN110288550A (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
| CN111598791A (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
| Mai et al. | Back propagation neural network dehazing | |
| CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
| CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
| Wang et al. | Weakly supervised single image dehazing | |
| CN111553856A (zh) | 基于深度估计辅助的图像去雾方法 | |
| CN110992293A (zh) | 一种自适应视频去雾方法与装置 | |
| CN108765337A (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 | |
| CN110223240A (zh) | 基于颜色衰减先验的图像去雾方法、系统及存储介质 | |
| Babu et al. | ABF de-hazing algorithm based on deep learning CNN for single I-Haze detection | |
| Zheng et al. | Overwater image dehazing via cycle-consistent generative adversarial network | |
| CN116342591B (zh) | 一种建筑物参数的视觉解析方法 | |
| Zou et al. | Image haze removal algorithm using a logarithmic guide filtering and multi-channel prior |
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 |