一种基于暗通道的深度学习数据集生成方法与流程

一种基于暗通道的深度学习数据集生成方法，涉及深度学习图像去雾技术，尤其涉及图像复原技术。

背景技术：

近年来，人们对深度学习技术的研究日益火爆，应用深度学习技术进行图像去雾也受到越来越多学者的青睐，在深度学习图像去雾中，图像数据集对于深度学习中模型的构建是有至关重要的地位。在深度学习图像去雾技术中去雾网络模型的构建是一个关键问题，对于模型的构建就需要对模型进行训练，并且需要在模型的训练过程中加入有效的训练数据。针对训练关于深度学习图像去雾的网络模型就需要在训练网络中输入相应的带雾图像以及清晰图像。但是目前在网络上可以找到的开源的针对图像去雾研究的数据集一般只含有清晰图像或者是雾天图像，或者是有的数据集中的确含有成对的雾天图像以及对应的清晰图像，但是数据量太少，不能够对网络模型进行有效的训练。所以符合实验要求的训练数据对实验能否成功有着至关重要的作用，由此可以看出图像数据集的生成方法的研究也是格外重要的，所以本发明具有很高的研究意义和价值。

技术实现要素：

本发明的目的是为深度学习图像去雾算法研究提供一种相同场景下有雾图像与无雾图像对比数据集。

该基于暗通道的深度学习数据集生成方法包括以下步骤：

步骤一、读取原始输入图像，使用暗通道方法获取输入rgb图像的暗通道图像；

步骤二、使用引导滤波对步骤一中的暗通道图像进行优化处理并将优化后的暗通道图像进行取值范围调整，获得遮罩图像；

步骤三、使用步骤一中获取的暗通道图像，按照暗通道图像亮度的大小提取s倍的像素值来求取大气光值a；

步骤四、以大气散射模型以及暗通道知识为基础进行有雾图像的模拟，具体包括：

步骤四一、有大气散射模型知识可以得到公式i(x)＝t(x)j(x)+a[1-t(x)]，t(x)为透射率，j(x)为无雾图像，i(x)为有雾图像，a为大气光值。在公式两边同时除以大气光值进行变换，再通过暗通道操作以及暗通道先验理论知识可以得到粗略估计的透射率，公式如下：

步骤四二、为了让模拟图像更具有真实性，在此步骤中引入调整参数ω，优化了粗略估计的透射率，公式如下：

当透射率t(x)大于0时，对于公式i(x)＝t(x)j(x)+a[1-t(x)]中的直接衰减项t(x)j(x)也会大于0，再通过调整透射率比例就可以复原的有雾图像，公式表达如下；

其中m为原图像，ψ1为加雾浓度控制权重，ψ2为调节复原图像亮度的控制权重。

步骤五、通过对雾化程度参数t1以及雾化图像亮度t2的调整得到实际需求类型的有雾图像。

进一步地，所述方法还包括：

步骤六、加入批量处理操作，提高图像获取效率。

进一步地，步骤三中的s＝0.001。

进一步地，步骤四二中的ω＝0.95。

进一步地，步骤五中的t1＝5.5，t2＝0.5。

上述方法以大气散射物理模型为理论基础，首先利用暗通道方法获得暗通道图像，再利用引导滤波对得到图像进行优化获取遮罩图像，然后计算大气光值并对原始清晰图像进行雾天图像模拟得到雾天图像。该方法可以根据需求对带雾浓度进行调节，生成的带雾图像数据集真实性高、应用性强，有效的解决了在研究图像去雾算法中数据集不充足的问题。实验结果表明，通过在实验过程中对图像中雾的浓度以及雾化图像亮度的调整，可以获取适合实验要求的有雾图像，该方法有效的解决了去雾算法中缺少训练数据的问题，并且通过批量处理操作，能够更有效的提高有雾图像的获取效率。

附图说明

图1为本发明所述的基于暗通道的深度学习数据集生成方法的流程图；

图2中的(a)为实验输入原始图像，(b)为经过步骤一处理后的图片，(c)为经过步骤二处理后的图片，(d)为经过步骤五处理后的图片；

图3中的(a)为原始图像，(b)为经过步骤五处理后的图片；

图4中的(a)为原始图像，(b)为经过步骤五处理后的图片。

具体实施方式：如图1所示，本实施方式所述的基于暗通道的深度学习数据集生成方法包含以下步骤：

步骤一、读取原始输入图像，使用暗通道方法获取输入rgb图像的暗通道图像。在暗通道理论中指出绝大多数非天空的局部区域里，某些像素总会有至少一个颜色通道具有很低的值，换言之，该区域光强度的最小值是一个很小的数，对于任何的输入图像j，其暗通道可以用下式表达：

j^dark(x)＝miny∈ω(x)[minc∈(r,g,b)j^c(y)]

其中，j^c表示彩色图像的每个通道，ω(x)表示以像素x为中心的一个窗口。以此通过输入的rgb图像就可以得到对应的暗通道图像。

步骤二、由于在步骤一中得到的暗通道图像存在不够平滑等问题，所以在此处采用引导滤波的方法对图像进行优化，得到输入图像的遮罩图像。选用引导滤波的原因是引导滤波在滤波效果以及细节处理方面都有很好的作用，并且对于大窗口处理图片时效率也会更高。使用引导滤波对图像进行处理的公式如下：

qi＝akii+bk

qi是输出的图像，ii是输入图像，ak以及bk是该线性函数的系数。

其中ak以及bk可以表示如下：

其中，μk是图像i在窗口ωk中的平均值，是待滤波图像p在窗口ωk中的均值，是i在窗口ωk中的方差，|ω|是窗口ωk中像素的数量。

由此得到优化好的输出图像即遮罩图像。

步骤三、使用步骤一中获取的暗通道图像，按照暗通道图像亮度的大小提取s倍的像素值来求取大气光值a。具体步骤是先将通过步骤一得到暗通道图像按照亮度的大小取前s倍的像素，然后在原始输入图像中寻找与前s倍的像素位置对应的具有最高亮度的点，这些寻找到的点的值就作为大气光值a。

步骤四、以大气散射模型以及暗通道知识为基础进行有雾图像的模拟，具体包括：

步骤四一、由大气散射物模型知识以及步骤三中得到的大气光值a可以得到以下公式：

进一步假设在每一个邻域窗口ω(x)内,透射率t(x)是一个常数，用表示。然后对上面公式两边进行暗通道操作，继而得到下式：

由暗通道先验知识可以知道无雾图像j的暗通道近似等于0，由此得到下式：

由于大气光值a总为正，进一步得到：

然后进行整理可以得到粗略的透射率公式如下：

步骤四二、由步骤四二得到了初步的透射率，为了使模拟图像更加具有真实性，所以在此处引入了一个调整参数ω，在本发明中设定的调整参数为0.95，利用这个调整参数对得到的透射率进行优化，优化后的透射率表示如下：

当透射率大于0时，大气物理模型中的直接衰减项的值也会等于0，然后经过对透射率比例的控制就可以有效的得到有雾图像，复原图像的表达式如下：

其中m为原图像，ψ1为加雾浓度控制权重，ψ2为调节复原图像亮度的控制权重。

步骤五、由于在不同的实验中对于数据集的要求不同，对雾天图像中雾的浓度要求都是不一样的，所以在这一步中加入了雾化程度参数t1以及雾化图像亮度t2。通过对这两个参数进行修改就可以调整得到不同效果的有雾图像，更加满足实际需求，在本发明中两个参数的取值分别为t1＝5.5，t2＝0.5。

步骤六、由于深度学习的训练网络需要大量的样本数据，所以考虑到需要的数据集的数据量是巨大的，如果进行单幅图像处理效率过低，所以此处加入批量化处理这一步骤，通过这一步骤，可以输入多张原始图像进行处理，由此可以更快捷的获得需要的数据集图像，同时也节省了大量的时间。因此，批量化处理这一步骤也是十分必要的。