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。