本发明属于图像去雾,具体的是指将数据集中图像通过正向和反向的两种学习进行去雾处理,并且使用可变形卷积处理物体边缘的方法。
背景技术:
1、近些年来,图像去雾技术迅速发展,在智能交通、智能监控以及军事等领域都得到了广泛的应用。在之前的研究当中,大多是图像去雾方法都集中于正向的学习,也就是学习清晰图片的结构来重建图片。本发明提出了一种使用正向和反向学习的图像去雾方法,使图像在重建过程中远离雾图的特征,从而输出更加贴近真实图片的去雾图。
2、目前图像去雾的方法主要有以下几种:
3、1.基于物理先验的去雾算法:这种方法一般依赖于大气散射模型,并且先验是根据经验得到的,比如基于暗通道先验的去雾算法和基于颜色衰减先验的去雾算法。
4、2.基于深度学习的去雾算法:这种方法是通过大量数据来训练神经网络,直接生成清晰的图像,比如特征融合注意机制去雾网络和端到端去雾网络。
5、基于物理先验的去雾方法依赖特定的场景和假设,鲁棒性比较差,难以适应所有情况下的雾图。而且现有的基于网络的方法趋向于利用正样本的信息,而忽略了负向图片的信息。
技术实现思路
1、发明目的:本发明目的是提供一种同时正向和反向学习的图片去雾方法,解决图片由于雾霾而出现的不清晰的情况的,同时能更好的处理不规则物体的边界。
2、技术方案:一种基于正向和反向学习的图像去雾方法,包括如下步骤:
3、步骤一:将图片进行下采样,下采样模块中包括卷积层、relu层和可变形兴趣区域池化层,将图片的尺寸降为1/4。
4、步骤二:将清晰的图片输入教师网络,雾图输入去雾网络。
5、步骤三:使用损失函数来帮助网络的学习。
6、步骤四:将图片进行上采样,结构与下采样模块相似,将图片的尺寸还原。
7、步骤五:使用正则的方法将输出的去雾图片与雾图进行对比,使去雾图片远离雾图的特征。
8、步骤六:使用指标来评价去雾后的图片的质量。
9、本发明的有益技术效果是:
10、根据本发明提出的一种基于正向和反向学习的去雾方法,我们的方法使用教师网络来提取清晰图片中的特征,使用正则的方法是去雾的输出远离雾图的特征。这样的设计使最终结果及学习了正向样本的知识也利用了反向样本的知识,从而输出更加清晰的图片。
1.一种基于正向和反向学习的图像去雾方法,其特征在于,基于物理先验的去雾方法很大程度依赖于特殊环境,而基于深度学习的去雾方法大部分只进行了正向的学习。为了解决这些问题,使用教师网络在去雾的过程中输入清晰图片的特征,是去雾网络获得正向的信息。使用正则的方法使图片远离雾图的特征,以利用负向的信息。使用可变形卷积的感兴趣区域池化,增加额外偏移量的空间采样位置,使网络在提取特征时更好的处理物体的边缘。
2.根据权利要求1所述,一种基于正向和反向学习的图像去雾方法,其特征在于,使用教师网络在去雾的过程中输入清晰图片的特征,是去雾网络获得正向的信息。在教师网络和去雾网络中使用6个残差块,每经过一块残差块,通过损失函数将清晰图片的信息输入到去雾网络中,使去雾网络的输出更加接近真实的无雾图片。
3.根据权利要求1所述,一种基于正向和反向学习的图像去雾方法,其特征在于,使用正则的方法使图片远离雾图的特征,以利用负向的信息。将去雾图作为锚,将雾图作为它的负向,让锚远离样本。将去雾图和雾图在相同潜在空间下进行对比正则。使用一个optimizer来训练提取特征的模型,以增强雾图的反面对比效果。
4.根据权利要求1所述,一种基于正向和反向学习的图像去雾方法,其特征在于,使用可变形卷积的感兴趣区域池化。相比于之前的cnn中固定几何结构的池化层,采用了可变形兴趣区域池化层,增加额外偏移量的空间采样位置,使网络在提取特征时更好的处理物体的边缘。引进的可变形兴趣区域池化实现了采样网格的更多自由变形,很好的适应接受域。教师网络的可变化建模能力增强了,融合了更多的空间结构信息。