单幅图像去雾java_一种基于深度学习的单幅图像去雾方法与流程
本发明提供了一种单幅图像去雾的方法,具体涉及一种基于深度学习的单幅图像去雾的方法。
背景技术:
雾霾天气对无人机航拍作业的影响不容小觑。雾霾天气航拍形成的图像模糊不清,丧失了人们需要捕捉的信息。随着空气状况的恶化,人们对无人机航拍图像的去雾需求越来越高。
图像去雾问题是属于图像恢复问题,不是简单的图像增强技术能解决得了的。根据McCartney的成雾模型(E.J.McCartney,"Optics of the atmosphere:scattering by molecules and particles,"New York,John Wiley and Sons,Inc.,1976.421p.,1976.),原场景中的景物是经过空气中的水珠子或微颗粒折射或散射后被捕捉进入镜头的,空气中的大气光也会因为折射或散射而进入镜头,因此可用以下公式描述这个雾化原理:I(x,y)=T(x,y)J(x,y)+(1-T(x,y))A。其中T(x,y)是表征透射和散射的一个因子,称之为透射率,A代表空气中的大气光,(1-T(x,y))A就是大气光被折射散射后进入镜头的干扰光,I(x,y)便是被镜头捕捉到的图像,J(x,y)代表原场景中的景色的图像,也是需要恢复的高清图像。雾霾的存在在该模型中可以看成T(x,y)被改变了,从而影响了镜头成像的清晰性。
技术实现要素:
本发明的目的是提供一种新的图像去雾方法,用以解决将雾霾天气航拍视频图像恢复成高清无雾图像的问题。
本发明一种单幅图像去雾的方法,其步骤包括:
A.散射效果消除,获得实现方法为:
A1.将该步骤的输入数据I进行卷积Conv1操作,其中Conv1(I)=W1I+B1;W1是该卷积层神经元的参数,B1是偏置量;
A2.将卷积操作后的图像的每个像素点的值进行ReLU操作处理,之后输出,其中ReLU(x)=max(x,0),即当该值小于或等于0时,处理结果为0,当该值取值大于0时,处理结果为原数值不变;得到图像数据
B.大气光影响计算,获得实现方法为:
B1.将该步骤的输入数据用I′表示,对其进行卷积Conv2操作,其中Conv2操作是Conv2(I)=W2I′+B2;W2是该卷积层神经元的参数,B2是偏置量;
B2.将卷积操作后的图像的每个像素点的值进行ReLU操作处理,之后输出,其中ReLU(x)=max(x,0),即当该值小于或等于0时,处理结果为0,当该值取值大于0时,处理结果为原数值不变,将处理后的图像数据表示为I″;
B3.进行Conv3操作,其中Conv3操作是Conv3(I″)=W3I″+B3;W3是该卷积层神经元的参数,B3是偏置量;
B4.将卷积操作后的图像的每个像素点的值进行ReLU操作处理,之后输出,其中ReLU(x)=max(x,0),即当该值小于或等于0时,处理结果为0,当该值取值大于0时,处理结果为原数值不变,处理完图像数据便得到
C.融合操作,实现方法为:
C1.将A步骤获得的结果与B步骤获得的结果相加,即获得根据公式得到无雾高清图像J(x,y)。
本发明可以进行微调操作,在最终输出图像前做一个微调,将某些过度调整的或调整不足的像素点进行调整。
D1.将该步骤的输入数据用I″′表示,对其进行卷积Conv4操作,其中为Conv4(I″′)=W4I″′+B4,W4是该卷积层神经元的参数,B4是偏置量。
D2.将卷积操作的结果的每个像素点的值进行Sigmoid操作处理,其中Sigmoid操作为:
经过步骤D,会获得最终输出的高清无雾图像J(x,y)。
有益效果:本发明根据成雾模型的公式I(x,y)=T(x,y)J(x,y)+(1-T(x,y))A,可以变换推导出公式求得无雾高清图像J(x,y)。本发明处理后的无雾图像从主观视觉上看更清晰,同时峰值信噪比也进一步提高了。故本发明图像去雾效果好,且由于采用矩阵加法操作,处理速度快。
附图说明
图1为本发明基于深度卷积神经网络的单幅图像去雾方法的流程示意图;
图2为本发明基于深度卷积神经网络的单幅图像去雾方法的神经网络框架;
图3为本发明具体实施例结果图,其中(a)为有雾的航拍图像;(b)采用本发明处理后的结果图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明以无人机在雾霾天气航拍所获得的视频为例。首先将视频中的每一帧的图像取出,将分辨率为3840×2160的RGB图像作为本发明方法的输入,本方法会自动提取出R、G、B中的R通道形成一个二维灰度图像。具体处理如下(如图1):
A.散射效果消除,获得实现方法为:
A1.将该步骤的输入数据I进行卷积Conv1操作,其中Conv1(I)=W1I+B1;W1是该卷积层神经元的参数,B1是偏置量。
A2.将卷积操作的结果的每个像素点的值进行ReLU操作处理,之后输出,其中ReLU(x)=max(x,0),即当该值小于或等于0时,处理结果为0,当该值取值大于0时,处理结果为原数值不变;
经过这A步骤,可以由输入图像得到
B.大气光影响计算,获得实现方法为:
B1.将该步骤的输入数据用I′表示,对其进行卷积Conv2操作,其中Conv2操作是Conv2(I)=W2I′+B2;W2是该卷积层神经元的参数,B2是偏置量。
B2.将卷积操作后的图像的每个像素点的值进行ReLU操作处理,之后输出,其中ReLU(x)=max(x,0),即当该值小于或等于0时,处理结果为0,当该值取值大于0时,处理结果为原数值不变,将处理后的图像数据表示为I″。
B3.进行Conv3操作,其中Conv3操作是Conv3(I″)=W3I″+B3;W3是该卷积层神经元的参数,B3是偏置量。
B4.将卷积操作后的图像的每个像素点的值进行ReLU操作处理,之后输出,其中ReLU(x)=max(x,0),即当该值小于或等于0时,处理结果为0,当该值取值大于0时,处理结果为原数值不变。
整个步骤B称之为AEstimate,则整个过程可以概括为AEstimate(I′)=ReLU(W3ReLU(W2I′+B2)+B3)。经过B步骤,会得到
C.融合操作,实现方法为:
C1.将A步骤获得的结果与B步骤获得的结果相加,即获得根据原理公式,这便等于要求的J(x,y)。
D.微调操作,在最终输出图像前做一个微调,将某些过度调整的或调整不足的像素点进行调整。
D1.将该步骤的输入数据用I″′表示,对其进行卷积Conv4操作,其中为Conv4(I″′)=W4I″′+B4,W4是该卷积层神经元的参数,B4是偏置量。
D2.进行ReLU操作处理,其中ReLU(x)=max(x,0)。
经过步骤D,会获得最终输出的高清无雾图像J(x,y)。
其中,上述步骤中的所有参数W1、B1、W2、B2、W3、B3、W4、B4均使用机器学习方法训练迭代后获得。具体实现方法为在Linux服务器上基于Caffe开源框架,采用SGD优化策略对本发明的神经网络框架(如图2所示)进行训练迭代50000次,每迭代100次参数,就基于MSE方法计算一次损失函数值loss,最后将loss值最低时的参数值作为最终使用的参数W1、B1、W2、B2、W3、B3、W4、B4的值。
G通道和B通道同此。R、G、B三个通道分别处理完毕后,再合成最终的RGB图像,而后直接输出分辨率为3840×2160的高清无雾的RGB图像,如图3所示。本发明处理后的无雾图像从主观视觉上看更清晰。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
单幅图像去雾java_一种基于深度学习的单幅图像去雾方法与流程相关推荐
- DeepARG——一种基于深度学习更加准确预测ARG的方法
DeepARG--一种基于深度学习更加准确预测ARG的方法 本文介绍的是发表于Microbiome名为DeepARG: a deep learning approach for predicting ...
- 3种基于深度学习的有监督关系抽取方法
摘要:本文对几种基于深度学习的有监督关系抽取方法进行了介绍,包括CNN关系抽取.BiLSTM关系抽取以及BERT关系抽取. 本文分享自华为云社区<基于深度学习的有监督关系抽取方法简介>,作 ...
- 一种基于深度学习的目标检测提取视频图像关键帧的方法
摘要:针对传统的关键帧提取方法误差率高.实时性差等问题,提出了一种基于深度学习的目标检测提取视频图像关键帧的方法,分类提取列车头部.尾部及车身所在关键帧.在关键帧提取过程中,重点研究了基于SIFT特征 ...
- 基于深度学习的指针式仪表图像智能读数方法
针对传统图像处理的仪表识别方法鲁棒性较差,难以满足复杂环境下的指针式仪表图像读数,而深度学习的方法通过样本的训练能够适应更多的复杂场景,越来越多的仪表读数解决方案更偏向于使用深度学习的方法.而现在的基 ...
- 基于linux火焰识别算法,一种基于深度学习模型的火焰识别方法与流程
本发明属于通信领域,具体涉及一种基于深度学习模型的火焰识别方法. 背景技术: 随着我国工业化与城镇水平的不断提高,现代设施大型公共建筑朝着空间大.进深广功能复杂的多元化方向发展,这对于防烟火朝着空间大 ...
- 一种基于深度学习的遥感图像分类及农田识别方法
文章针对现有的神经网络收敛速度慢.识别准确率不高的缺点,提出了一种基于卷积神经网络的遥感图像农田分类及识别方法.该算法使用较大的卷积核,有效地提取梯度信息:设计深度为6层的卷积神经网络,提高了网络的分 ...
- 一种基于深度学习的增值税发票影像识别系统
一种基于深度学习的增值税发票影像识别系统-专利技术交底书 缩略语和关键术语定义 1.卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构 ...
- 一种基于深度学习的方法来检测摩托车头盔的使用
背景 据统计使用摩托车头盔可以将道路交通事故中摩托车驾驶员致命伤害的可能性降低42%,尽管如此,遵守摩托车头盔还是较少,尤其是在发展中国家,为了有效开展针对性的头盔使用运动,政府必须收集有关头盔法律遵 ...
- 水位尺读数识别 python_一种基于深度学习的水尺识别方法与流程
本发明涉及水位监测 技术领域: :,具体地说,涉及一种基于深度学习的水尺识别方法. 背景技术: ::近些年来,随着图像处理技术的发展,通过计算机获得图像里的详细信息成为了一种非常方便且高效的方式.将图 ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的航拍图像YOLOv5目标检测研究及应用(论文篇)
目录 基于深度学习的航拍图像目标检测研究 航拍图像目标检测 评价指标与数据集
最新文章
- PHP for循环中的sql语句,php – 在foreach循环中使用SQL结果
- asp.net mvc5 设置Area下的为启动页
- 图片裁剪和异步上传插件--一步到位(记录)
- 前端学习(2370):组件之间的通讯方式
- php for嵌套循环_PHP中的for循环怎样嵌套
- @ImportResource()注解的使用
- 取出字符串中的数字部分
- 智慧职教云Java题库_智慧职教作业的答案,云课堂智慧职教java职业证书题库答案,职教云智慧职教题库答案...
- 帝国cms html5 编辑器,帝国cms后台编辑器自动排版插件
- SQL DUMB Series-3 4 通关过程分享(sql注入学习DAY2)
- JavaEE-多线程(基础篇一)
- 云计算主要包含哪些基本特征?
- Java:缓冲流、转换流、序列化流
- cadence导入dxf文件_Allegro PCB导入DXF文件详解
- 雷军创业十年演讲全文!创业艰辛、乘风破浪、一往无前
- SpringBoot报错o.s.b.d.LoggingFailureAnalysisReporter
- 【历史上的今天】4 月 25 日:诺基亚与微软完成交易;Mobilinux 发布;长距离无线电传输之父出生
- 【软件工程】Jackson图
- java计算机毕业设计ssm拼团旅游系统(源码+系统+mysql数据库+Lw文档)
- ansible 高级自动化变量及变量过滤器
热门文章
- 404页面是什么意思?怎么正确设置?
- 计算机网络子网掩码计算题,计算机网络复习题(计算题)
- 太阳直射点纬度计算公式_高中地理——每日精讲1题(地震、太阳高度角、极昼、昼夜长短)...
- 5G协议 基本架构 专有名词简称和缩写
- vs2010环境下提示找不到d3dx9.h,及其“dxerr.lib”。
- 浏览器无法访问百度的问题
- OpenGL光源光照基础
- 简单理解什么叫联邦学习(全)
- css彩虹·,web前端入门到实战:纯CSS画动态彩虹
- 幼儿园体育游戏电子计算机教案,【小班体育活动】_小班体育教案100篇_小班体育游戏活动教案5篇...