一种海面目标图像去雾方法

技术领域

本发明涉及图像处理领域，尤其涉及一种海面目标图像去雾方法。

背景技术

水运是一种可持续发展的绿色交通模式。不管是内河还是海上航道组成的水路运输网，均能够较大程度的缓解公路和铁路的运输压力，大大提高运输效率和效率，显著降低运输成本。随着图像技术的不断发展，越来越多的船舶安装上了电子眼，一方面可以用于电子巡航，有效掌控海上情况，降低人力的投入；另一方面可以识别过往船只，掌握航道设施信息，保障航行安全。但电子监控所采集到的信息均不同程度地受到气候因素的影响，其中受雾天影响尤其严重，直接关系到图像采集到的清晰度。对于海面目标的识别，需要通过清晰的图像来准确的提取特征，因此对多雾天气条件尤为敏感。由于雾天情况下，海面场景受到雾天颗粒散射作用的影响，图像会更加的模糊，采集到的图像质量衰减严重，致使相关应用系统受到较大程度的影响。基于这类情况，为了能够在雾天的情况使图像识别系统能够运行正常，保证系统工作的稳定性和可靠性，有必要对海面雾天图像进行去雾处理。

近年来，随着深度学习技术在图像视觉领域得到快速的发展，卷积神经网络(CNN)技术在人脸识别、图像分类等高级图像视觉领域的成功运用使越来越多的研究者开始关注基于神经网络的图像去雾算法，目前机器学习和深度学习方法已经被应用到了图像去雾领域，并取得了理想的效果，但在实验中发现这些算法在海上去雾方面依然略显不足。

发明内容

为了解决上述问题，本发明提出了一种海面目标图像去雾方法。

具体方案如下：

一种海面目标图像去雾方法，包括以下步骤：

S1：采集海面图像，并采用图像加雾算法将海面图像加雾生成海面雾天图像，将海面图像和海面雾天图像组成训练集；

S2：构建图像去雾模型，通过训练集对图像去雾模型进行训练，使得海面雾天图像通过图像去雾模型后的输出结果接近其对应的海面图像；图像去雾模型的结构如下：

图像去雾模型的输入为海面雾天图像对应的彩色图像，输入的彩色图像中的红、绿、蓝三个颜色通道的图像分别进行如下处理后得到对应的起始层：

一个颜色通道的图像连续通过两个卷积层后，将第一个卷积层的输出与第二个卷积层的输出进行融合得到新的特征层，之后将新的特征层通过最大池化和Relu函数激活后，得到该颜色通道对应的起始层；

将三个颜色通道对应的起始层进行融合后，通过最后一个卷积层，最后一个卷积层的输出则为图像去雾模型的输出；

S3：通过训练后的图像去雾模型对待去雾的海面雾天图像进行去雾。

进一步的，海上雾天图像数据集通过对海面图像采用两种的不同的图像加雾算法进行加雾处理后得到。

进一步的，第一种图像加雾算法通过固定大气光值A

进一步的，卷积层中采用Relu激活函数。

本发明采用如上技术方案，提出了一种多尺度融合网络结构，通过融合不同尺度的特征层来获取更加深层次的图像信息，克服了传统的去雾算法存在光晕现象、亮度低、颜色失真等问题，能够更大程度地保留图像的细节信息，提升了去雾的效果。

附图说明

图1所示为本发明实施例的流程图。

图2所示为该实施例中图像去雾模型的结构示意图。

图3所示为该实施例中R颜色通道的卷积过程示意图。

图4所示为该实施例中多尺度特征融合示意图。

图5所示为该实施例中最大池化操作示意图。

具体实施方式

为进一步说明实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

本发明实施例提供了一种海面目标图像去雾方法，如图1所示，，所述方法包括以下步骤：

S1：采集海面图像，并采用图像加雾算法将海面图像加雾生成海面雾天图像，将海面图像和海面雾天图像共同组成训练集。

由于在训练目标识别的网络时首先需要大量的训练数据样本，图像去雾网络也不例外。目前在陆地上的雾天图像数据集已经有很多种不同的场景类型，但是海面雾天图像数据集几乎没有，因此该实施例中需要进行制作。该数据集通过加雾算法对自然图像进行加雾处理，近年来有很多算法能够对图像进行去雾处理，但对图像加雾的算法确较少。目前陆地背景的雾天图像数据集也是通过加雾算法进行模拟得到。

为了防止网络出现过拟合现象，该实施例中海面雾天图像数据集通过对海面图像采用两种的不同的加雾算法进行加雾处理后得到，第一种通过固定大气光值A

(1)基于大气系统参数的图像加雾算法

由于海面环境与陆地不同，海面背景比较简单，主要是天空、水域、船舶三个部分，因此并不需要花费大量的算力来估算场景的深度，具体加雾算法实现的步骤如下：

①通过函数f

J

②根据公式(2)，将β范围控制在0.05-0.074之间，通过不断增加β实现不同浓度的加雾效果。

β

③根据公式(1)确定了图像的尺寸，为了方便表述，采用row表示图像的宽度，col表示图像的长度，S表示雾化的尺寸，C

④根据公式(3)和公式(4)确定的雾化尺寸和雾化中心，确定整个图像的场景深度d

其中，J

系统参数β的变化会导致图像的透射率t

(2)基于大气模型的图像加雾算法

基于大气模型的图像加雾算法采用双随机方式，随机产生大气光值A

①和基于大气系统参数的加雾算法相同，首先是通过函数f

J

②随机产生大气光照值，为了和基于大气系统参数的加雾算法有所区别，该实施例中将A2的范围设置在0.6-0.95之间随机产生，即：

A

③根据公式(8)确定了大气光值A

t

④根据公式(8)和公式(9)确定的大气光值和传输率代入到大气散射模型中即可以得到有雾的图像，如式(10)所示。

J

其中，J

随着大气透射率t

通过上述两种不同的加雾算法，避免了网络模型训练过程中出现过拟合的现象，该实施例中选取三种不同的海面场景，将自然图像变成14张有雾场景图像。

S2：构建图像去雾模型，通过训练集对图像去雾模型进行训练，使得海面雾天图像通过图像去雾模型后的输出结果接近其对应的海面图像。

该实施例中图像去雾模型采用的网络结构由七个卷积层和三个最大池化层构成。如图2所示，海面雾天图像数据集中的彩色图像的各个颜色通道通过不同尺度的卷积层，进行特征提取融合不同尺度的特征层来获取更加深层次的图像信息，从而达到除雾的目的。

卷积神经网络有卷积层、池化层和全连接层，该实施例中采用的网络模型是由卷积层和池化层组成。卷积层是卷积神经网络的核心层，它是由很多个过滤器组成，每个过滤器都只有一小部分，每次只与原图像上的一小部分连接，从而提高了计算效率。由于卷积层之后得到的结果很多，而且由于滑动窗口的存在，很多信息也有重合，于是有了池化Pooling层。它是将卷积层得到的结果无重合的分成几部分，然后选择每一部分的最大值、平均值或者二范数等，该实施例在模型中选择的是最大值。模型具体的实现过程如下：

(1)由图2可知输入图像经过两个卷积层和一个最大池化层，通过DepthConcat操作可以得到第一个起始层(Dense Layer)。从图3展示了R颜色通道卷积过程，海面雾天图像J

其中，W表示海面雾天图像尺寸，S表示步长，C表示卷积核尺寸，P表示填充尺寸。该实施例中将步长S设置为1。如果每次卷积操作之后图像的尺寸保持不变，需要令N＝W并代入公式(11)中，得到填充尺寸P的值即：

因此，可以得到第一层卷积操作的结果J

J

其中，Conv1代表第一层卷积函数，采用Relu激活函数，C

(2)和第一阶段过程类似，如图4所示第一层卷积操作得到的图像J

J

其中，Conv2表示第二层卷积函数，采用Relu激活函数，C

(3)新的特征层图像

最大池化操作也要满足梯度之和不变的原则，它的前向传播是把邻域中最大的值传递给后一层，而其他像素的值直接被舍弃掉。那么反向传播也就是把梯度直接传给前一层某一个像素，而其他像素不接受梯度也就是为0。因此，最大池化操作和平均池化操作不同点在于需要记录下池化操作时最大值像素所在位置，因为在反向传播中需要位置对应。根据式(16)可以得出第一个起始层的值。

其中，

(4)模型具体的计算过程与上述步骤类似，如式(17)、式(18)、式(19)所示。

其中，Conv3、Conv4、Conv5分别表示第三层、第四层和第五层卷积函数，采用Relu激活函数，C

其中，Conv6表示第六层卷积函数，采用Relu激活函数，C

因此最终的模型输出Y，如式(20)和式(21)所示。

J

Y＝Relu.Conv7(J

其中，Conv7表示第七层卷积函数，采用Relu激活函数，C

该实施例中的误差函数采用均方误差(MSE)，在数理统计中均方误差是指参数估计值与参数真值之差的平方的期望值，此处的真值是自然无雾图像。如式(21)所示，MSE可以评价数据的变化程度，MSE越小，说明预测模型描述实验数据具有更高的精度。

其中，n表示训练样本个数，m表述图像像素点的个数，J

S3：通过训练后的图像去雾模型对待去雾的海面雾天图像进行去雾。

本发明实施例提出了一种多尺度融合网络结构，通过融合不同尺度的特征层来获取更加深层次的图像信息，从而达到除雾的目的。通过与其他不同的去雾算法进行对比，本发明采用的基于多尺度融合的卷积神经网络单幅图像去雾方法可能保留更多的图像细节信息，并且在客观图像评价标准上也具有更好表现。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。