公开(公告)号：CN109859120B

公开(公告)日：2021-03-02

申请号：CN201910015947.2

申请日：2019-01-08

Applicant: 北京交通大学

Inventor： 秦勇 ,  曹志威 ,  谢征宇 ,  柳青红 ,  赵汝豪 ,  吴云鹏 ,  马小平 ,  张赫 ,  黄永辉 ,  杨怀志 ,  闫香玲 ,  孙雨萌 ,  贾星威

IPC: G06T5/00 ,  G06N3/04

Abstract: 本发明提供了一种基于多尺度残差网络的图像去雾方法。该方法包括：获取不同场景下的无雾图像，组成无雾图像数据集；提取无雾图像的深度信息，根据无雾图像的深度信息对无雾图像施加不同浓度的雾干扰，得到有雾图像，将根据无雾图像得到的所有有雾图像构成训练数据集；构建多尺度残差网络，在多尺度残差网络中输入训练数据集，对多尺度残差网络进行训练，得到训练完成的图像去雾模型；将待处理的有雾图像输入到训练完成的图像去雾模型，该图像去雾模型输出待处理的有雾图像对应的无雾图像。本发明的方法能够更好地处理不同浓度和不同尺度下的雾图，解决训练数据较少的问题，以较少的训练数据取得更好的效果，适用于不同浓度和不同尺度下的雾图。

公开(公告)号：CN109801232A

公开(公告)日：2019-05-24

申请号：CN201811611677.3

申请日：2018-12-27

Applicant: 北京交通大学

Inventor： 秦勇 ,  谢征宇 ,  柳青红 ,  曹志威 ,  马小平 ,  郑健 ,  张赫 ,  赵汝豪 ,  吴云鹏 ,  张萼辉 ,  闫香玲 ,  孙雨萌 ,  贾星威

IPC: G06T5/00 ,  G06N3/04

Abstract: 本发明提供了一种基于深度学习的单幅图像去雾方法。该方法包括：获取室内外合成雾和真实雾的数据集，该数据集包括：训练集、测试集和验证集；构造基于残差网络(Residual Network)的端到端(end-to-end)的深度卷积神经网络，将所述训练集和验证集输入所述深度卷积神经网络并训练模型，达到最大迭代次数后训练结束，获取所述深度卷积神经网络在本次迭代中的最优模型，用测试集测试所述深度卷积神经网络和最优模型的去雾效果；利用深度卷积神经网络和最优模型对待去雾的有雾图像进行去雾处理，得到无雾图像。本发明的方法对不同浓度的合成雾图和室外真实雾图实现了端到端的恢复图像清晰化和可视化，具有不错的去雾效果和实际应用价值。

公开(公告)号：CN109859120A

公开(公告)日：2019-06-07

申请号：CN201910015947.2

申请日：2019-01-08

Applicant: 北京交通大学

Inventor： 秦勇 ,  曹志威 ,  谢征宇 ,  柳青红 ,  赵汝豪 ,  吴云鹏 ,  马小平 ,  张赫 ,  黄永辉 ,  杨怀志 ,  闫香玲 ,  孙雨萌 ,  贾星威

IPC: G06T5/00 ,  G06N3/04

Abstract: 本发明提供了一种基于多尺度残差网络的图像去雾方法。该方法包括：获取不同场景下的无雾图像，组成无雾图像数据集；提取无雾图像的深度信息，根据无雾图像的深度信息对无雾图像施加不同浓度的雾干扰，得到有雾图像，将根据无雾图像得到的所有有雾图像构成训练数据集；构建多尺度残差网络，在多尺度残差网络中输入训练数据集，对多尺度残差网络进行训练，得到训练完成的图像去雾模型；将待处理的有雾图像输入到训练完成的图像去雾模型，该图像去雾模型输出待处理的有雾图像对应的无雾图像。本发明的方法能够更好地处理不同浓度和不同尺度下的雾图，解决训练数据较少的问题，以较少的训练数据取得更好的效果，适用于不同浓度和不同尺度下的雾图。