本發(fā)明涉及有霧圖像去霧，具體涉及一種基于大氣散射模型與頻域特征提取的圖像去霧方法。

背景技術：

1、傳統(tǒng)基于物理模型的圖像去霧方法：這些方法取決于大氣散射模型，但大氣散射模型取決于相對假設和特定的目標場景，這導致在復雜的實際場景中魯棒性降低。而基于深度學習的圖像去霧方法與先前的基于物理模型去霧方法不同，深度學習的方法是數(shù)據(jù)驅動的，通常使用神經網絡來估計物理散射模型中的透射圖和大氣光，或直接學習模糊到清晰的圖像的映射。然而，這些方法可能會導致產生偽影，因為傳輸圖和全局大氣光兩者的不準確估計導致累積誤差。此外，在現(xiàn)實世界中收集傳輸圖和全球大氣光的地面實況是困難的或昂貴的。此外，單一數(shù)據(jù)驅動的神經網絡也存在許多的問題。由于霧霾通常是局部的并且這類型的失真會混合在整個圖像中，形成耦合。此外，噪聲屬于需要消除的高頻失真信號。因此圖像去霧需要處理具有局部、耦合和頻率不一致特征的失真。傳統(tǒng)的深度學習去霧方法在空域進行有霧圖像特征提取，并不能很好地處理這些問題。

技術實現(xiàn)思路

1、本發(fā)明的目的是為了克服現(xiàn)有技術的不足，提出一種基于大氣散射模型與頻域特征提取的圖像去霧方法，區(qū)別于傳統(tǒng)的單一基于物理模型的方法以及端到端的深度學習方法，通過設計的基于大氣散射模型的神經網絡可以高效且快速地實現(xiàn)單幅有霧圖像的去霧任務。

2、為實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

3、一種基于大氣散射模型與頻域特征提取的圖像去霧方法，包括以下步驟：

4、步驟s1、將模糊圖像i(x)與對應的清晰圖像j(x)輸入神經網絡進行訓練并輸出對應的預測透射率t(x)；

5、步驟s2、根據(jù)暗通道先驗估計模糊圖像i(x)對應的大氣光a(x)；

6、步驟s3、根據(jù)大氣散射模型計算t(x)和a(x)所對應的清晰圖像j′(x)；

7、步驟s4、將j′(x)與輸入的清晰圖像j(x)通過損失函數(shù)(mse)來更新神經網絡的卷積層參數(shù)以及注意力塊參數(shù)，損失函數(shù)(mse)的計算公式為：其中yi為j(x)，為j′(x)；

8、步驟s5、將更新參數(shù)后的神經網絡用于單幅有霧圖像的去霧，并通過計算平均峰值信噪比和結構相似度來評估神經網絡的去霧效果。

9、具體的，步驟s1中所述輸出對應的預測透射率t(x)，透射率t(x)表示為：

10、t(x)＝e-βd(x)?????(1)

11、上式中，β是散射系數(shù)；d(x)是場景深度。

12、具體的，步驟s3中所述大氣散射模型表示為：

13、i(x)＝j(x)t(x)+(1一t(x))a(x)????(2)

14、上式中，x表示像素位置；i(x)表示模糊圖像；j(x)表示清晰圖像；t(x)表示透射圖；a(x)表示大氣光。

15、具體的，由于u-net可以更好地進行特征融合以及保留低頻特征(如輪廓和邊緣)，所述將其作為神經網絡的主體結構，神經網絡包括通道注意力以及像素注意力。

16、進一步地，步驟s1中所述神經網絡進行訓練并輸出對應的預測透射率t(x)，所述神經網絡在進行下采樣后，將特征圖使用傅里葉變換轉換至頻域，并在上采樣時通過逆傅里葉變換將特征圖轉換至空域，這樣可以對頻率不一致特征的失真進行處理，能更有效地去除高頻噪聲。

17、具體的，步驟s5中所述計算平均峰值信噪比的公式為：

18、

19、上式中，a為輸出的圖片總數(shù)；h，w分別為圖像的高度和寬度；n為每像素比特數(shù)；x為網絡輸出圖像；y為對應的清晰圖像。

20、具體的，步驟s5中所述計算平均結構相似度的公式為：

21、

22、上式中，a為輸出的圖片總數(shù)；μx，μy分別為圖像x和圖像y的像素平均值；σx和σy分別表示圖像x和圖像y的像素標準差；c1和c2為常數(shù)，其中c1＝0.0001，c2＝0.0009。

23、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

24、1、本發(fā)明方法通過設計的基于大氣散射模型的神經網絡可以高效且快速地實現(xiàn)單幅有霧圖像的去霧任務，規(guī)避了單一的物理模型或數(shù)據(jù)驅動的神經網絡不能很好地處理具有局部、耦合和頻率不一致特征的失真問題。

25、2、本發(fā)明方法對自動駕駛、視頻監(jiān)控、軍事偵察等應用領域的圖像去霧提供了重要的理論和技術指導意義。

技術特征：

1.一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，步驟s1中所述輸出對應的預測透射率t(x)，透射率t(x)表示為：

3.根據(jù)權利要求1所述的一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，步驟s3中所述大氣散射模型表示為：

4.根據(jù)權利要求1所述的一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，所述神經網絡架構為u-net，神經網絡包括通道注意力以及像素注意力。

5.根據(jù)權利要求1所述的一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，步驟s1中所述神經網絡進行訓練并輸出對應的預測透射率t(x)，所述神經網絡在進行下采樣后，將特征圖使用傅里葉變換轉換至頻域，并在上采樣時通過逆傅里葉變換將特征圖轉換至空域。

6.根據(jù)權利要求1所述的一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，步驟s5中所述計算平均峰值信噪比的公式為：

7.根據(jù)權利要求1所述的一種基于大氣散射模型與頻域特征提取的圖像去霧方法，其特征在于，步驟s5中所述計算平均結構相似度的公式為：

技術總結
本發(fā)明公開了一種基于大氣散射模型與頻域特征提取的圖像去霧方法，包括：1）將模糊圖像與清晰圖像輸入神經網絡進行訓練并輸出預測透射率；2）根據(jù)暗通道先驗估計模糊圖像的大氣光；3）根據(jù)大氣散射模型計算和所對應的清晰圖像；4）將與輸入的清晰圖像通過損失函數(shù)來更新神經網絡的參數(shù)；5）更新參數(shù)后的神經網絡用于單幅有霧圖像的去霧。本發(fā)明方法通過設計的基于大氣散射模型的神經網絡，相較傳統(tǒng)的單一基于物理模型的方法以及端到端的深度學習方法，可以高效且快速地實現(xiàn)單幅有霧圖像的去霧任務。

技術研發(fā)人員：王志遠,唐榮欣,鄢偉超,熊俊奕,蔡孟強,代國紅
受保護的技術使用者：南昌大學
技術研發(fā)日：
技術公布日：2024/12/19