申请/专利权人：南京晓庄学院

申请日：2020-09-24

公开（公告）日：2024-01-05

公开（公告）号：CN112419166B

主分类号：G06T5/73

分类号：G06T5/73;G06T5/60;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.01.05#授权;2021.03.16#实质审查的生效;2021.02.26#公开

摘要：本发明提出本发明提出的一种基于局部区域分割与SCN结合的图像去雾方法，采用基于信息熵率的超像素分割算法将有雾图像进行区域分块，得到各区域分块图像；利用SCN通过无监督学习方式获取各区域分块图像的雾特征，得到各区域分块图像的雾特征图；基于CNN模型通过有监督学习方式得到特征图与透射率图之间的映射关系，得到各区域分块图像的场景透射率图；采用超引导滤波方法对得到的场景透射率图进行滤波操作；根据大气散射模型反演出无雾图像。本发明方法得到的去雾后图像，去雾效果更明显、稳定性更强，具有较好的场景通用性。

主权项：1.一种基于局部区域分割与SCN结合的图像去雾方法，其特征在于，包括以下步骤：步骤S1：采用基于信息熵率的超像素分割算法将有雾图像进行区域分块，得到各区域分块图像；步骤S1中所述基于信息熵率的超像素分割算法具体为：将图像映射成无向图，将图像分割转化为图的区域相似性；利用最大转移概率定义目标函数；通过求解目标函数最大值获取相应的区域；步骤S2：利用SCN通过无监督学习方式获取各区域分块图像的雾特征，得到各区域分块图像的雾特征图；步骤2中SCN的训练具体包括：从训练样本集Iset中选择N个大小为r×r的有雾图像块xi作为输入，以xi自身作为标签进行训练，各层之间使用sigmoid作为传输函数，以均方误差函数MES作为损失函数，通过反向传播算法训练各网络层参数，对于训练样本xi，定义各层的输出为：a1＝xia2＝f∑W1a1+b1a3＝f∑W2a2+b2...ap＝f∑Wp-1ap-1+bp-1网络参数通过最小化网络输入xi和输出之间的loss函数获得，用均方误差函数作为loss函数，样本的总量为N，则有： 其中网络的层数为p，网络参数W和b表示相邻两层间的联结权重和偏置，a·表示各层的输出值，a1＝xi表示第一层网络的输出为xi，f·代表sigmoid激活函数，定义为f·＝11+exp－x；步骤S3：基于CNN模型通过有监督学习方式得到特征图与透射率图之间的映射关系，得到各区域分块图像的场景透射率图；步骤S3基于CNN模型通过有监督学习方式得到特征图与透射率图之间的映射关系，得到各区域分块图像的场景透射率图，具体包括：CNN模型中主要包含三个操作：卷积conv、修正函数ReLU和全连接FC；其中卷积conv中第l+1卷积层的输出为： 其中和分别代表当前第l层和第l+1层的输出，n，m表示特征图的数量，k是卷积核，b为误差，*表示卷积操作；修正函数ReLU卷积操作后加上修正函数，使得输出像素值为正，ReLU定义如下： 全连接FC采用单个3×3的卷积近似代替FC操作；利用matconvnet算法实现CNN的训练过程，以特征序列featurexi作为样本输入，对应的透射率图txi作为标签，使用SGD反向传播算法进行有监督的训练，t*xi是CNN的输出值，定义输出值与标签间的loss函数为： ；步骤S4：采用超引导滤波方法对得到的场景透射率图进行滤波操作；采用超引导滤波方法对得到的场景透射率图进行滤波操作，具体包括：超引导滤波器在像素k处的输出是指导矩阵I中以像素k'为中心的窗口wk'中所有元素的线性组合；将最小化输入图像P和输出图像Q之间的差异性问题转化为代价函数的极小值问题：对所有局部窗口应用局部线性模型，得到最终的滤波效果，获取输出图像Q；步骤S5：根据大气散射模型反演出无雾图像。

全文数据：

权利要求：

百度查询： 南京晓庄学院 一种基于局部区域分割与SCN结合的图像去雾方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD