【CN110211052A】一种基于特征学习的单幅图像去雾方法【专利】
单幅图像的去雾新算法
单幅图像的去雾新算法
黄黎红
【期刊名称】《光子学报》
【年(卷),期】2011(40)9
【摘要】提出了一种基于单幅图像的去雾新算法.首先把图像归一化后从RGB彩色空间转换到HSI彩色空间,对色调分量运用四叉树分割法进行分割图像;分割后图像的每一局部小方块可以认为具有相同的场景深度,从而可以对每一局部小方块估计出空气光.然后再对亮度分量运用雾天图像光学模型,从雾的物理特性上去除雾对图像的影响.最后再对图像的饱和度分量进行校正,得到复原后的图像.该算法的主要优点是速度快,且不仅可以应用于彩色图像,也可以适用于灰度图像.通过该算法与其它几种算法的实验结果进行分析和比较,表明该算法能有效恢复出清晰图像.
【总页数】4页(P1419-1422)
【关键词】单幅图像去雾;物理模型;图像复原;四叉树分割
【作者】黄黎红
【作者单位】莆田学院电子信息工程系
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.单幅图像自动去雾新算法 [J], 郭璠n;蔡自兴;谢斌;唐琎
2.基于图像融合的快速单幅图像去雾算法 [J], 周杰;杨燕;张宝山;陈高科
3.一种新的单幅图像快速去雾算法 [J], 娄小龙;毕笃彦;李权合;南栋
4.基于像素级图像融合的单幅图像去雾算法 [J], 刘言言;沈东升;林梦雷
5.基于暗通道先验的单幅图像去雾新算法 [J], 何涛;赵停;徐鹤
因版权原因，仅展示原文概要，查看原文内容请购买。
一种图像去雾方法[发明专利]
![一种图像去雾方法[发明专利]](https://img.taocdn.com/s3/m/4052566dec3a87c24128c44d.png)
专利名称：一种图像去雾方法
专利类型：发明专利
发明人：林锦晨,杨俊杰,于婷,耿传平申请号：CN202010875809.4
申请日：20200827
公开号：CN112053298A
公开日：
20201208
专利内容由知识产权出版社提供
摘要：本发明公开了一种图像去雾方法，该方法包括：从有雾图像中获取大气光值；采用基于canny算子的导向滤波算法从有雾图像中获取透射率图像；根据所述大气光值和透射率图像对有雾图像进行逐像素处理以得到去雾后图像。
本方法可解决解决局部光晕效应，本算法在主观视觉效果优于其他算法，图像边缘去噪更自然；客观性能指标对比显示，改进的去雾算法具有更高的图像质量与较好的图像复原度。
申请人：上海电机学院
地址：200240 上海市闵行区江川路690号
国籍：CN
代理机构：上海伯瑞杰知识产权代理有限公司
代理人：孟旭彤
更多信息请下载全文后查看。
一种基于深度学习的单幅图像去雾方法[发明专利]
![一种基于深度学习的单幅图像去雾方法[发明专利]](https://img.taocdn.com/s3/m/559a40c0f80f76c66137ee06eff9aef8941e48d2.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201811611677.3(22)申请日 2018.12.27(71)申请人 北京交通大学地址 100044 北京市海淀区西直门外上园村3号(72)发明人 秦勇 谢征宇 柳青红 曹志威 马小平 郑健 张赫 赵汝豪 吴云鹏 张萼辉 闫香玲 孙雨萌 贾星威 (74)专利代理机构 北京市商泰律师事务所11255代理人 黄晓军(51)Int.Cl.G06T 5/00(2006.01)G06N 3/04(2006.01)(54)发明名称一种基于深度学习的单幅图像去雾方法(57)摘要本发明提供了一种基于深度学习的单幅图像去雾方法。
该方法包括：获取室内外合成雾和真实雾的数据集，该数据集包括：训练集、测试集和验证集；构造基于残差网络(R e s i d u a lNetwork)的端到端(end -to -end )的深度卷积神经网络，将所述训练集和验证集输入所述深度卷积神经网络并训练模型，达到最大迭代次数后训练结束，获取所述深度卷积神经网络在本次迭代中的最优模型，用测试集测试所述深度卷积神经网络和最优模型的去雾效果；利用深度卷积神经网络和最优模型对待去雾的有雾图像进行去雾处理，得到无雾图像。
本发明的方法对不同浓度的合成雾图和室外真实雾图实现了端到端的恢复图像清晰化和可视化，具有不错的去雾效果和实际应用价值。
权利要求书2页 说明书6页 附图6页CN 109801232 A 2019.05.24C N 109801232A1.一种基于深度学习的单幅图像去雾方法，其特征在于，包括：获取室内外合成雾和真实雾的数据集，该数据集包括：训练集、测试集和验证集；构造基于残差网络Residual Network的端到端end-to-end的深度卷积神经网络，将所述训练集和验证集输入所述深度卷积神经网络并训练模型，达到最大迭代次数后训练结束，获取所述深度卷积神经网络在本次迭代中的最优模型，用所述测试集测试所述深度卷积神经网络和最优模型的去雾效果；利用所述深度卷积神经网络和最优模型对待去雾的有雾图像进行去雾处理，得到无雾图像。
一种基于深度学习的图像去雾方法[发明专利]
![一种基于深度学习的图像去雾方法[发明专利]](https://img.taocdn.com/s3/m/2358800319e8b8f67d1cb9c3.png)
专利名称：一种基于深度学习的图像去雾方法专利类型：发明专利
发明人：邱斌,苏卓,周凡
申请号：CN201910614615.6
申请日：20190709
公开号：CN110443759A
公开日：
20191112
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习的图像去雾方法。
本发明通过收集自然图片作为无雾图，然后在图片的不同区域随机生成不同取值的透射率和大气光，并通过大气光散射模型合成人工有雾图作为训练集；构建用于预测雾浓度图的卷积神经网络；之后利用训练集训练所述卷积神经网络；最后输入待处理有雾图，利用所述卷积神经网络计算得到雾浓度图，用有雾图减去雾浓度图即得到最终的去雾图。
本发明是一种自适应的去雾方法，产生的去雾结果比较自然，且鲁棒性强，适用范围广，可同时应用于室内和自然场景的去雾中；本方法是一种全自动、端到端的去雾方法，不需要后处理步骤。
申请人：中山大学
地址：510006广东省广州市海珠区新港西路135号
国籍：CN
更多信息请下载全文后查看。
一种基于深度学习的单幅图像去雾算法[发明专利]
![一种基于深度学习的单幅图像去雾算法[发明专利]](https://img.taocdn.com/s3/m/5245caa9767f5acfa0c7cd3e.png)
专利名称：一种基于深度学习的单幅图像去雾算法专利类型：发明专利
发明人：肖进胜,邹文涛,雷俊锋,章勇勤,高威,岳学东申请号：CN201710113254.8
申请日：20170228
公开号：CN106910175A
公开日：
20170630
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于深度学习的单幅图像去雾算法。
首先获取大量明亮且无雾图像作为训练样本中的无雾图像集，利用模拟软件对其施加不同浓度的雾干扰，生成有雾图像集；将无雾图像集和有雾图像集转换成HDF5格式，得到训练样本和测试样本；将训练样本和测试样本输入设置好参数的深度卷积网络，训练该深度卷积网络，直至代价损失小到一定程度且达到最大迭代次数，得到训练好的模型。
最后将有雾图像输入训练好的模型，直接恢复出无雾图像。
本发明提供了一种端到端的，能够直接从有雾图像恢复出无雾图像的卷积神经网络，省去了中间参数的估计；同时，避免了有雾图像中平坦区域的色彩失真，能够有效处理自然和人工合成的有雾图像，获得更好的效果。
申请人：武汉大学
地址：430072 湖北省武汉市武昌区珞珈山武汉大学
国籍：CN
代理机构：武汉科皓知识产权代理事务所(特殊普通合伙)
代理人：鲁力
更多信息请下载全文后查看。
一种基于深度学习的图像去雾算法[发明专利]
![一种基于深度学习的图像去雾算法[发明专利]](https://img.taocdn.com/s3/m/35b6ca05524de518974b7d51.png)
专利名称：一种基于深度学习的图像去雾算法 专利类型：发明专利 发明人：李策,赵新宇,肖利梅,张爱华,潘峥嵘 申请号：CN2016104 374 82.6 申请日：20160617 公开号：CN106127702A 公开日：20161116
摘要：本发明公开了一种基于深度学习的图像去雾算法，用于去除有雾图像中的雾气干扰，降低 雾气对图像质量的影响。包括：步骤1，获取训练样本集与测试样本集；步骤2，对样本集中有雾图像 进行HSL空间变化，提取有雾图像局部低亮特征，并对所有特征分量进行尺度缩放与归一化处理；步 骤3，找出判别透视率，使深度判别神经网络实现对抗式训练；步骤4 ，利用深度生成对抗神经网络对 上述特征分量进行训练，学习建立有雾图像与透视率间的映射网络；步骤5，运用深度生成神经网络 对测试样本集进行去雾测试。本发明中所述去雾算法，通过深度学习算法建立出有雾图像到透视率间 的映射关系，有效的解决了以往去雾算法先验信息不足的问题，具有较好的去雾效果。
申请人：兰州理工大学 地址：730050 甘肃省兰州市兰工坪路287号 国籍：CN 代理机构：西安通大专利代理有限责任公司 代理人：徐文权 更多信息请下载全文后查看
Байду номын сангаас
一种单幅图像去雾方法
一种单幅图像去雾方法
王燕;伍博;谷金宏
【期刊名称】《电光与控制》
【年(卷),期】2011(018)004
【摘要】针对雾天图像时比度差、能见度降低的特点,提出了一种局部尘雾消除方法--LDOS.首先引入暗原色统计先验,说明有雾图像暗通道和其尘雾浓度图之间的近似关系.然后,针对以往的尘雾浓度估计方法存在估计结果粗糙、修正方法复杂、不易实现等问题,给出了一种新颖而有效的估计方法--中值滤波.该方法既能平滑尘雾浓度图,又能很好地保留场景深度发生突变的边缘,使估计出的尘雾浓度图更加精确.最后,在局部区域执行DOS,得到去雾以后的结果.实验结果表明,该方法简单有效,能够较好地达到去雾的目的.
【总页数】4页(P65-67,92)
【作者】王燕;伍博;谷金宏
【作者单位】河南师范大学电子信息工程系,河南,新乡,453007;河南师范大学电子信息工程系,河南,新乡,453007;河南师范大学电子信息工程系,河南,新乡,453007【正文语种】中文
【中图分类】V243.6;TN911.7
【相关文献】
1.一种改进的单幅图像去雾算法 [J], 田小平;崔倩男;吴成茂
2.一种快速单幅图像去雾新方法 [J], 刘哲;黄文准;黄世奇
3.一种改进的暗原色单幅图像去雾方法 [J], 陈瑶;孙兴波;黄祥;张闯
4.一种基于生成对抗网络的单幅图像去雾算法 [J], 李莎; 柯文驰; 李科; 程鹏
5.一种联合雾线和凸优化的单幅图像去雾算法 [J], 火元莲;郑海亮;陈萌萌;李俞利;张婧博;李明
因版权原因，仅展示原文概要，查看原文内容请购买。
特征学习的单幅图像去雾算法_麦嘉铭
7］中的软抠 滤波、 双边滤波和引导滤波替代文献
［16 ］
［13 ］ 以提高去雾算法的效率； Meng 等人 通
过研究透射率函数的内在边界约束， 提出一种有效 在雾、 霾等恶劣天气下， 大气中存在较多的水滴 或尘粒， 致使光在传播过程中发生散射或被吸收 ， 此 时户外拍摄的图像往往模糊不清， 对比度较低。 监 控设备等依赖于户外图像的系统性能急剧下降 ， 甚 对图像进行去雾处理具有 至无法正常运作。 因此， 重要意义。 目前图像去雾的方法主要分为两类： 一类是使 用图像增强的方法， 即通过增强图像的对比度来达 到去雾目的
Wang M H， Liang Y， Cai Ｒ C. Single image dehazing algorithm by feature learning［J］ . Journal of Image and Graphics， 2016 ， 论文引用格式： Mai J M， 21 （ 4 ） ： 464-474. ［麦嘉铭， 2016 ， 21 （ 4 ） ： 464-474. ］ ［DOI： 王美华， 梁云， 蔡瑞初 . 特征学习的单幅图像去雾算法［J］. 中国图象图形学报， 10. 11834 / jig. 20160408］
［5 ］
以大气散射模型为基
础， 假设局部区域大气光平滑， 并根据有雾图像的对 比度较无雾图像低得多的先验信息， 提出了局部对 比度最大化的去雾算法。但使用该算法去雾后的图 像容易出现光晕效应和过饱和。 Fattal 等人
［6 ］
利用
1
大气散射模型
［17 ］ 大气散射模型由 McCartney 于 1978 年提出，
Abstract： Objective Fogdegraded images seriously affect the normal operation of the information systems of the military， traffic，safety monitoring，and other fields． Hence，research on image dehazing has become important and practical． Most existing single image dehazing approaches focus on investigating hazerelevant color features． However，different color priors have their respective limitations． To improve the adaptability of the image dehazing algorithm，we propose a single image dehazing algorithm by feature learning． Method First，we extract multiscale textural and structural features from a hazy image by using a sparse auto encoder； the hazerelevant color features are obtained as well． Second，we model the layer neural networks． By training scene depth with the extracted textural，structural，and color features by using multisamples with the neural network model，the relationship between scene depth and the features is determined，and the depth map of the hazy image is restored． Finally，the hazefree image with the depth map is restored according to the atmospheric
一种快速单幅图像去雾新方法
一种快速单幅图像去雾新方法
刘哲;黄文准;黄世奇
【期刊名称】《计算机系统应用》
【年(卷),期】2017(026)001
【摘要】为了再现雾霾天气下可见光图像的清晰场景,有效抑制雾霾退化造成的图像对比度、清晰度下降,本文提出了一种基于改进的双边滤波器的快速有效的去雾新方法.该方法引进了本文首次发现的简洁高效的“类高斯核”,代替传统双边滤波器的高斯核.改进的双边滤波器具有很好边缘保持特性,用该滤波器来准确优化雾天大气传输率的估计,大大提高了计算效率;在大气光值估计中,对暗通道和原图两个区间亮度最大值,进行加权平均,精确的估计出雾天大气光值.本文算法具有很快的处理速度,能有效提高复原图像的清晰度和对比度,获得较好的图像颜色.
【总页数】8页(P16-23)
【作者】刘哲;黄文准;黄世奇
【作者单位】西京学院信息工程学院,西安710123;西京学院信息工程学院,西安710123;西京学院信息工程学院,西安710123
【正文语种】中文
【相关文献】
1.基于半逆法的一种快速单幅图像去雾算法 [J], 刘言;张红英;吴亚东;王小元;刘小婷;
2.基于半逆法的一种快速单幅图像去雾算法 [J], 刘言;张红英;吴亚东;王小元;刘小婷
3.一种快速的单幅图像去雾算法 [J], 刘杰平;黄炳坤;韦岗
4.基于暗通道优先的单幅图像去雾新方法 [J], 胡伟;袁国栋;董朝;疏学明
5.结合自适应雾气估计的快速单幅图像去雾 [J], 杨燕; 刘珑珑; 张得欣; 杨志飞因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910246074.6
(22)申请日 2019.03.29
(71)申请人 北京工业大学
地址 100124 北京市朝阳区平乐园100号
申请人 思凯凌克（北京）科技有限公司
(72)发明人 赵德群 董皓辰 邓钱华 孙光民
(74)专利代理机构 北京思海天达知识产权代理
有限公司 11203
代理人 沈波
(51)Int.Cl.
G06T 5/00(2006.01)
G06T 3/40(2006.01)
(54)发明名称一种基于特征学习的单幅图像去雾方法(57)摘要本发明公开了一种基于特征学习的单幅图像去雾方法，该方法根据雾气图像的某些特征如暗通道特征、最大颜色对比度等预估计出透射图，然后再基于大气散射模型得到大气光强度值并恢复出无雾图像。
为了提高算法的自适应性，本发明对传统的物理模型进行改进，使用深度学习方法来预测出透射图，改进了传统的基于假设的方法，得出更加真实的的透射图。
图像去雾的核心是估计出透射图，而深度学习有强大的特征提取和学习能力，可以训练出雾气图像和透射图之间的映射模型。
利用深度学习模型预测出雾气图像的透射图像后，再根据大气散射模型即可恢复出无雾图像，同时提高了去雾算法的自适应调整能力，获得较高的去雾质量，并有较低的复杂
度。
权利要求书1页 说明书4页 附图2页CN 110211052 A 2019.09.06
C N 110211052
A
权 利 要 求 书1/1页CN 110211052 A
1.一种基于特征学习的单幅图像去雾方法，该方法的实现步骤如下：
S1搭建去雾图像I的预训练模型，通过预训练模型对待去雾图像I进行特征提取；
S2预训练模型利用卷积神经网络实现，其中为提高卷积神经网络在图像处理上的特征学习能力，使用三组不同尺度的卷积神经网络组来构建透射图像预测的深度学习模型；
S3通过S2中的三组不同尺度的卷积神经网络逐步优化得到暗通道图像；使用Maxout非线性激活函数模拟出极值滤波器，从输入大气散射模型的图像中提取暗通道特征；
根据暗通道先验知识，利用原去雾图像I的和暗通道图像，求解出大气光A；
S4使用深度学习方法来预测出透射图t：深度模型的编码阶段，使用SENet154作为基础结构；解码阶段通过修改常规FPN网络，将雾气图像的透射图像t进行分割；利用FPN融合多分辨率特征，提高小区域雾气图像的分割精度；在FPN的基础上，引入了hypercolumn模块，进一步融合大气光A的多分辨率特征；在编码器的最后加入全局平均池化层和分类头；此外，在分割网络中，引入分类辅助损失；在解码器每一分辨率的层级，引入分割辅助损失，进一步调整每一层级参数的训练，最终实现预测出透射图t；
S5根据S4输出的映射模型以及S3中的大气光照值A，搭建出大气散射模型J(x)＝(I (x)-A)/t(x)+A；
S6对搭建出大气散射模型进图像的暗通道特征提取后，再并行通过三组不同尺度的卷积核，然后进行池化和非线性激活，复原得到无雾图像。
2.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：端到端的网络模型中，即输入端和输出端都是图像。
3.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：S2.1基于Alex Net模型改进得到第一组CNN，并且改变其输出层结构，使Alex Net模型成为端到端的网络模型；
S2.2增加两组不同尺度的CNN。
4.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：图片文件来自视频，将视频接入模块获得的视频，转换为一帧帧的图片，调用去雾模块动态库，进行去雾处理；加载需要处理的图片集，连接到数据库按钮，可以直接从数据库获取数据；去雾处理完的图片通过保存图片，将处理后的图片保存；
对图片能够进行左右上下拖拽，可进行放大缩小等操作；当多张图片被选中后，通过验证，符合设计需求；
从数据库导入图片，如点击链接数据库，对数据库配置进行参数选择；
连接成功后，将导入一系列图片选中图片后，可点击图像菜单按钮，点击图像去雾按钮。
2。