[发明专利]一种基于多尺度卷积神经网络的单幅户外图像去雾方法

权利要求书

1.一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，包括如下步骤：

(1)训练样本获取：获取无雾图像样本，利用大气散射模型对无雾图像样本进行雾化处理获得有雾图像样本，将无雾图像样本以及与其对应的有雾图像样本作为训练样本；

(2)多尺度卷积神经网络模型：构建不少于三个并联的卷积层；每个卷积层的输出端连接一个Max Pooling池化层，每个Max Pooling池化层的输出端连接一个基于修正线性单元ReLu的非线性映射层；所有非线性映射层的输出端均与特征融合层连接；所述特征融合层的输出端连接一个对透射率进行处理的双边滤波层，利用双边滤波层输出的透射率对卷积层输入的有雾图像样本进行去雾处理；

(3)多尺度卷积神经网络模型训练：利用步骤(1)中的有雾图像样本作为多尺度卷积神经网络模型的输入，利用步骤(1)中的无雾图像样本作为多尺度神经网络输出的判别标准，以目标函数最小化为目的，对多尺度卷积神经网络模型进行训练，进行参数求解；其中目标函数为：

其中，c_i、s_i和h_i分别是第i个样本对应的平均RGB数值、平均对比度和平均饱和度；多尺度卷积神经网络的参数为Φ，第i个有雾图像样本为I_i，第i个有雾图像样本对应的无雾图像样本为J_i，训练样本的个数为N；

(4)利用步骤(3)求解后的多尺度卷积神经网络模型对待处理的有雾图像进行去雾处理。

2.根据权利要求1所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，所述卷积层有三个，卷积核分别是7×7、5×5和3×3；或所述卷积层有四个，卷积核分别是11×11、7×7、5×5和3×3。

3.根据权利要求1所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，所述目标函数根据均方误差MSE以及L-2范数构造。

4.根据权利要求1所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，所述目标函数根据随机梯度下降法最小化。

5.根据权利要求1所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，步骤(1)样本获取中，无雾图像样本构造对应有雾图像样本的计算方法如下：

I_T(x)＝J_T(x)t_T(x)+α_T(1-t_T(x))

其中，J_T(x)是无雾图像样本即所收集的图像，t_T(x)为透射率，α_T为全局大气光值，I_T(x)为有雾图像样本。

6.根据权利要求1或2所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，所述卷积层形式如下所示：

其中，I(x)是待去雾的有雾图像样本，q是卷积核大小，是卷积层滤波器，是卷积层偏置，*是卷积运算，是多尺度卷积神经网络卷积层的输出。

7.根据权利要求1所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，所述Max Pooling池化层形式如下所示：

其中，是多尺度卷积神经网络池化层的输出，是多尺度卷积神经网络卷积层的输出。

8.根据权利要求1所述的一种基于多尺度卷积神经网络的单幅户外图像去雾方法，其特征在于，所述非线性映射层对降维后的特征进行非线性映射获取多尺度特征图，所构建的激活层形式如下所示：

其中，是激活层滤波器，是激活层偏置，是多尺度卷积神经网络激活层的输出，是多尺度卷积神经网络池化层的输出。