【CN110211052A】一种基于特征学习的单幅图像去雾方法【专利】

(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