[发明专利]一种基于轻量化卷积神经网络的图像去雾方法

权利要求书

1.一种基于轻量化卷积神经网络的图像去雾方法，其特征是，包括如下步骤：

将有雾图像输入预先训练好的轻量化卷积神经网络，获取无雾图像；

所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层，所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积；

所述轻量化卷积神经网络的训练，包括：

获取有雾图像和无雾图像并将其转化为相同像素规格的图像块，基于所述图像块构建训练样本；

以预构建的损失函数最小为目标，利用训练样本对轻量化卷积神经网络进行训练；

所述深度可分离卷积层设有五个，所述损失函数，其表达式如下：

式中，L为损失函数，n为训练样本的个数，J_i为训练样本i去雾后的图像块，为训练样本i的实际无雾图像块，λ为衰减参数，W_ji为训练样本i的第j个深度可分离卷积层的权重系数矩阵。

2.根据权利要求1所述的基于轻量化卷积神经网络的图像去雾方法，其特征是，所述轻量化卷积神经网络还包括不少于两个第一全连接层，所述第一全连接层与所述深度可分离卷积层串联且彼此间隔分布。

3.根据权利要求2所述的基于轻量化卷积神经网络的图像去雾方法，其特征是，所述轻量化卷积神经网络还包括彼此串联的金字塔池化层和第一卷积层，所述金字塔池化层和第一卷积层串联于轻量化卷积神经网络的输出层与最接近所述输出层的深度可分离卷积层之间，所述第一卷积层串联于所述金字塔池化层与所述输出层之间。

4.根据权利要求3所述的基于轻量化卷积神经网络的图像去雾方法，其特征是，所述金字塔池化层包括顺序连接的池化层组、第二卷积层组、上采样层、第二全连接层，所述池化层组与最接近所述输出层的深度可分离卷积层连接，所述第二全连接层与所述第一卷积层连接，所述池化层组包括不少于两个不同尺度且彼此并联的池化层，所述第二卷积层组包括不少于两个第二卷积层，所述池化层与第二卷积层对应串联。

5.根据权利要求1所述的基于轻量化卷积神经网络的图像去雾方法，其特征是，在利用训练样本对轻量化卷积神经网络进行训练之前，还包括：

用平均值为0和标准偏差为0.001的高斯分布随机初始化W_ji中的各项分量；

初始化B_ji为0，式中，B_ji为训练样本i的第j个深度可分离卷积层的偏差系数矩阵。

6.根据权利要求5所述的基于轻量化卷积神经网络的图像去雾方法，其特征是，利用训练样本对轻量化卷积神经网络进行训练，包括：

根据训练结果更新W_ji和B_ji；

将更新后的W_ji和B_ji代入损失函数；

重复W_ji和B_ji的更新和代入过程，直至损失函数最小，获取训练好的轻量化卷积神经网络。

7.根据权利要求3至6中任一项所述的基于轻量化卷积神经网络的图像去雾方法，其特征是，将有雾图像输入预先训练好的轻量化卷积神经网络，获取无雾图像，包括：将第一卷积层的输出代入大气散射模型变形公式，由输出层输出无雾图像。