一种基于轮廓和颜色特征融合编码的图像去雾方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110880165A(43)申请公布日2020.03.13(21)申请号201910977828.5(22)申请日2019.10.15(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人黄爱爱胡巍谭明明范影乐(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人杨舟涛(51)Int.Cl.G06T5/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于轮廓和颜色特征融合编码的图像去雾方法(57)摘要本发明提出了一种基于轮廓和颜色特征融合编码的图像去雾方法。本发明构建生成网络和判别网络，将待处理图像输入Generator-Net，首先提取带雾图像的整体轮廓特征，在低级特征编码区提取图像颜色特征，实现轮廓特征的融合编码；在高级语义编码区，实现反向传播过程语义信息的深度解析；融合低级特征编码的输出及高级语义编码的多层输出，通过卷积神经网络进行特征解码，实现图像去雾。在网络学习过程中，将生成的去雾图像和对应的样本标签输入到Discriminator-Net，进一步提升Generator-Net的去雾能力。本发明有效提升去雾图像的可见度、对比度以及鲜明度，对后续图像目标的分析和理解具有重要意义。CN110880165ACN110880165A权利要求书1/2页1.一种基于轮廓和颜色特征融合编码的图像去雾方法，其特征在于，该方法具体包括以下步骤：步骤1、构建生成网络Generator-Net，其中Generator-Net由轮廓特征器、低级特征编码区、高级语义编码区、特征解码区四部分组成；其中生成网络损失函数LG进行了改进，加入了判别纠正权重，如式(1)～(5)所示；LG＝10L1+(1+λ)Lerr(1)其中，λ表示判别纠正权重；D(Ilabel)表示训练样本标签经Discriminator-Net的判别结果；Ilabel表示训练样本标签；L1表示Generator-Net的输出和训练样本标签之间的距离；Lerr表示Generator-Net的输出经Discriminator-Net判别和正确判别标签之间的距离；G(I)表示Generator-Net的输出，I表示输入图像，G(I)和Ilabel的尺寸一致；C表示输出图像的通道数，W和H分别表示输出图像的宽和高；D(G(I))表示Generator-Net的输出经Discriminator-Net的判别结果；f(·)表示将模拟量映射为0或1；T表示正确判别标签，是全为1的M×N二维矩阵，M＝30，N＝30；D(G(I))和T的尺寸一样；1-1、构建轮廓提取器，针对有雾图像I(i,j)提取表征其细节特征的轮廓纹理图Icont(i,j)，i、j分别表示像素的行坐标和列坐标；根据视皮层的方向选择特性，设置多方向经典感受野，再结合二维高斯导函数模型，提取带雾图像I(i,j)经典感受野内的中心水平、中心垂直、正、负对角线4类边缘，得到轮廓纹理图Icont(i,j)，具体如式(6)～(8)所示；Icont(i,j)＝u(i,j)×max{ev(i,j)}(6)ev(i,j)＝|I(i,j)*RF(i,j,θv)|(8)其中，RF(i,j,θv)表示高斯导函数；θv对应于上述4类边缘的方位角，v＝1,2,...,4；u(i,j)代表响应强度系数；max表示取集合中的最大值；*表示卷积运算；|·|表示取绝对值；×表示乘法运算；1-2、构建低级特征编码区，提取待处理图像I(i,j)的颜色特征，并融合上述1-1提取的轮廓特征进行编码，获取编码结果；将传统VGG七层网络的卷积层调整为三层；将1-1获得的轮廓纹理图Icont(i,j)依次融入三层卷积层，提高轮廓特征的占容比；将三层卷积层中的卷积核的个数设置为64；前两层卷积层的步长为1，将第三层卷积层的步长设为2；每次卷积操2CN110880165A权利要求书2/2页作后都有标准化处理过程，最后通过Relu函数进行激活；特别说明，整个网络中都无池化操作；1-3、构建高级语义编码区，将上述1-2中低级特征编码区的编码结果进行更深层次的编码；由三个双层残差块和一个残差单元构建高级语义编码区，其中双层残差块由两个残差单元组成；采用空洞卷积来替代普通卷积和池化操作；高级语义编码区包括以下七层结构、第一层，残差单元1，由两层3×3大小、dilation＝2的卷积核组成；第二层，残差单元2，由两层3×3大小、dilation＝2的卷积核组成；第三层，残差单元3，由两层3×3大小、dilation＝3的卷积核组成