[发明专利]一种基于深度学习的图像去雾方法

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。

主权项

1.一种基于深度学习的图像去雾方法，其特征在于，包括以下步骤：步骤1，建立样本图像集，包括训练样本集与测试样本集；其中，对于训练样本集，采集雾气可能存在场景下的无雾图像，并对无雾图像进行人工雾化，得到人工有雾图像，最终与无雾图像构成训练样本集；对于测试样本集，采用真实雾气场景图像；步骤2，对训练样本集中有雾图像进行颜色空间变换，从RGB空间变换到HSL空间，分别获取RGB与HSL两种空间中的信息特征分量，之后在原图像的RGB空间下获取局部低亮值与大气光值，并对所有数据做尺度缩放与归一化处理；步骤3，通过训练样本集计算最优透视率，令其作为深度学习中深度生成对抗神经网络训练输入的判别分量，与另一个输入量构造透视率共同完成网络对抗式训练；令训练样本集中有雾图像与无雾图像之间转换透视率作为判别透视率；步骤4，基于训练样本集中得到的有雾图像RGB空间与HSL空间特征分量，以及局部低亮特征分量和判别透视率，采用深度学习算法中的深度生成对抗神经网络进行训练，得到有雾图像中的透视率，学习建立有雾图像与透视率间的映射网络；其中，深度生成对抗神经网络由深度判别神经网络与深度生成神经网络组成；步骤5，采用上述深度生成神经网络对真实有雾图像进行去雾处理。