一种基于深度卷积神经网络的快速图像去雾霾系统的制作方法

本发明涉及图像处理领域中的去雾霾技术问题，具体涉及一种基于深度卷积神经网络的快速图像去雾霾系统。

背景技术：

近年来，大气污染严重，空气质量逐步下降。雾霾是特定气候与人类活动相互作用的结果。高密度人口的经济生产及社会活动会排放大量细颗粒物，一旦排放量超过大气循环和承载能力，悬浮颗粒会持续积聚，极易出现大范围的雾霾。雾霾已经成为了常态，无论生活在哪个城市，雾霾只有轻重之分而已，那么雾霾天在室外拍摄的图片往往会因为天气的原因严重影响图片质量，拍摄出的照片呈现出一种灰蒙蒙的效果，与预期不符。为此，本文提出一种基于卷积神经网络的快速去雾霾系统，能够很好的解决上述问题。

技术实现要素：

本发明的目的就在于为了解决上述问题而提供一种基于深度卷积神经网络的快速图像去雾霾系统，本发明通过以下技术方案来实现上述目的：

一种基于深度卷积神经网络的快速图像去雾霾系统，构建高效的单幅图像去雾霾深度卷积神经网络模型，以及雾霾图像训练集，并训练本发明提出的网络，最终重建出清晰的无雾霾图像，具体包括如下步骤：

步骤一，构建高性能、快速的单幅图像去雾霾深度卷积神经网络模型；

步骤二，根据大气散射模型，合成雾霾图像数据集；

步骤三，利用步骤一中模型以及步骤二中的训练集，对网络模型进行优化训练；

步骤四，将步骤三得到的神经网络模型网络导入智能拍照系统中，作为事先已知的模型数据；

步骤五，用户拍照前以及拍照后，均可以选择是否开启图像去雾霾功能，开启后，会将拍摄得到的照片作为输入，利用上述的去雾霾模型进行自动恢复，得到最终的去雾霾图像。

更进一步的方案是：

所述步骤一：所构建模型由k个卷积层构成，其中，第一个卷积层为特征提取层，用于实现输入雾霾图像的低分辨率特征提取；第二个卷积层到第k1-1个卷积层，后面均连接激励层，并作为第k1个卷积层的输入。

更进一步的方案是：

为了避免训练时梯度消失，进一步提升网络的性能，将第一个卷积层的输出与第k1个卷积层的输出通过级联层进行级联；第k1+1个卷积层到第k1+5个卷积层结构与第二到第k1卷积层结构相同，且将第k1个卷积层的输出与第k1+5个卷积层的输出通过级联层进行级联；最后一层为去雾霾重建层，通过单个卷积层实现。

更进一步的方案是：

在基于深度卷积神经网络的去雾霾模型中，网络的前k-1个卷积层使用的滤波器个数为64，卷积核大小为3×3；其最后一个卷积层的滤波器个数为1，卷积核大小为3×3。

更进一步的方案是：

其特征在于步骤二：根据雾霾降质模型，对高分辨率与深度图像对进行模拟降质，得到合成的雾霾图像数据集。

更进一步的方案是：

步骤三：利用合成的数据集，采用端到端的训练方式训练本发明的网络。

本发明的再一个目的是提供一种基于深度卷积神经网络的快速图像去雾霾系统在图像或视频处理领域的用途。

本发明的有益效果在于：

本发明的一种基于深度卷积神经网络的快速图像去雾霾系统，通过构建深度卷积神经网络模型和大气散射模型，并对其进行深度训练，达到能够快速获得很好的去雾霾效果，并实现实时应用；本发明的系统，能够很容易地扩展到别的图像或视频处理领域，例如图像或视频去模糊、图像或视频修复等。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要实用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明系统的工作流程示意图；

图2为本发明的网络结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

如图1-2所示，一种基于深度卷积神经网络的快速图像去雾霾系统，构建高效的单幅图像去雾霾深度卷积神经网络模型，以及雾霾图像训练集，并训练本发明提出的网络，最终重建出清晰的无雾霾图像，具体包括如下步骤：

步骤一，构建高性能、快速的单幅图像去雾霾深度卷积神经网络模型；

步骤二，根据大气散射模型，合成雾霾图像数据集；

步骤三，利用步骤一中模型以及步骤二中的训练集，对网络模型进行优化训练；

步骤四，将步骤三得到的神经网络模型网络导入智能拍照系统中，作为事先已知的模型数据；

步骤五，用户拍照前以及拍照后，均可以选择是否开启图像去雾霾功能，开启后，会将拍摄得到的照片作为输入，利用上述的去雾霾模型进行自动恢复，得到最终的去雾霾图像。

如图2所示，所述步骤一中，构建如图2所示的基于深度卷积神经网络的快速图像去雾霾网络模型。所构建模型由k(本发明中，k＝13)个卷积层构成。其中，第一个卷积层为特征提取层，用于实现输入雾霾图像的低分辨率特征提取；第二个卷积层到第k1-1(本发明中，k1＝6)个卷积层，后面均连接激励层(relu)，并作为第k1个卷积层的输入。为了避免训练时梯度消失，进一步提升网络的性能，本发明将第一个卷积层的输出与第k1个卷积层的输出通过级联层(concat层)进行级联；第k1+1个卷积层到第k1+5个卷积层结构与第二到第k1卷积层结构相同，且将第k1个卷积层的输出与第k1+5个卷积层的输出通过级联层(concat层)进行级联；最后一层(第k个卷积层)为去雾霾重建层，通过单个卷积层实现。在本发明构建的基于深度卷积神经网络的去雾霾模型中，网络的前k-1个卷积层使用的滤波器个数为64，卷积核大小为3×3；其最后一个卷积层的滤波器个数为1，卷积核大小为3×3。

所述步骤二中，根据雾霾降质模型，对高分辨率与深度图像对进行模拟降质，得到合成的雾霾图像数据集。从nuy-v2数据库随机采样1200张清晰的图像以及其对应的深度图，以构建训练集，而将其中120张清晰图以及对应的深度图作为训练中的测试集。具体而言，给定一个清晰图像以及对应的深度图，根据雾霾图像的降质模型(公式(1)与公式(2))进行降质。设置随机的全局大气光范围为[0.9，1.0]，大气衰变系数范围为[0.9，1.0，1.1，1.2，1.3]。于是，合成了6000张雾霾图像。根据这些合成图像，可以获得训练图像块对。利用合成的数据集，采用端到端的训练方式训练本发明的网络。

i(x)＝j(x)t(x)+a(x)(1-t(x))，(1)

t(x)＝exp(-βd(x)).(2)

其中，x表示像素坐标，i(x)为观测图像，j(x)为原始未受到雾霾干扰的图像，a(x)为全局大气光，t(x)∈[0，1]表示场景辐射传递到相机的百分比，β为大气衰变系数，d(x)为场景到相机的距离。

根据本发明的另一方面，本发明提供一种基于深度卷积神经网络的快速图像去雾霾系统在图像或视频处理领域的用途。

本发明方法能够快速获得很好的去雾霾效果，能够实现实时应用。而且本方法的实质是提出了一个有效的网络结构，能够很容易地扩展到别的图像视频处理领域，例如图像去模糊、图像修复等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。