[发明专利]一种颜色保持的特征融合去雾方法

说明书

本发明公开一种颜色保持的特征融合去雾方法，包括以下步骤：(1)获取总训练集和测试集；所述总训练集包括室外训练集和室内训练集，所述室外训练集、室内训练集和测试集内均由清晰图像和有雾图像组成；(2)基于卷积神经网络实现单幅图像去雾；卷积神经网络包括特征提取、特征融合和图像复原三部分；特征提取包括内容信息提取模块和风格信息提取模块，内容信息提取模块和风格信息提取模块分别采用七个级联的残差块RB1～RB7和三个级联的密集残差块RDB1～RDB3作为主体框架；特征融合部分通过残差块输出的特征图进行加权堆叠得到加权的内容特征图；图像复原部分包括一个卷积层，用于得到清晰的无雾图像。

技术领域

本发明属于计算机图像处理领域，特别是涉及一种颜色保持的特征融合去雾方法。

背景技术

在雾霾等天气状况下，由于受大气悬浮颗粒、雾、霾等影响，户外采集到的图像出现对比度下降、颜色失真、细节信息丢失等，严重影响户外视觉系统发挥效用。因此，图像去雾在计算机视觉应用和数字图像处理领域尤为重要。

目前，基于深度学习的方法成为单幅图像去雾的研究热点，该方法主要分为两类，第一类方法通过估计传输图和大气光值或其他之间变量来恢复无雾图像^[1-3]，第二类方法通过直接学习有雾图像到无雾图像之间的映射关系来实现图像去雾^[4-5]。上述方法虽然取得了较好的去雾效果，但是第一类方法依赖于大气散射模型，通过网络估计的传输图往往包含过多的细节信息，且大多数方法将大气光设置为全局一致常量，去雾后的图像易出现颜色失真现象。第二类端到端网络去雾方法容易造成部分区域去雾过度，导致去雾后图像出现过饱和现象。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种颜色保持的特征融合去雾方法。本发明提出的去雾网络包括特征提取，特征融合和图像重建三部分，其中，特征提取部分包括内容信息提取模块和风格信息提取模块，前者主要学习图像的内容，后者主要学习图像的风格以保持图像原有色彩。另外，本发明引入注意力机制对内容信息提取模块输出的特征图进行通道加权^[6]，该加权机制可以通过分配权值来加强对图像主要内容特征的学习，然后将加权的内容特征图与风格特征图融合。该网络在恢复无雾图像的同时保持了图像原有的色彩，从而有效避免了去雾后颜色失真的问题。

本发明的目的是通过以下技术方案实现的：

一种颜色保持的特征融合去雾方法，包括以下步骤：

(1)获取总训练集和测试集；所述总训练集包括室外训练集和室内训练集，所述室外训练集、室内训练集和测试集内均由清晰图像和有雾图像组成；

(2)基于卷积神经网络实现单幅图像去雾；卷积神经网络包括特征提取、特征融合和图像复原三部分；特征提取包括内容信息提取模块和风格信息提取模块，内容信息提取模块和风格信息提取模块分别采用七个级联的残差块RB1～RB7和三个级联的密集残差块RDB1～RDB3作为主体框架；

特征融合部分通过残差块输出的特征图进行加权堆叠得到加权的内容特征图；

图像复原部分包括一个卷积层，用于得到清晰的无雾图像。

进一步的，所述特征提取具体包括以下内容：

所述内容信息提取模块包含三个卷积层和七个残差块；三个卷积层分别为cov1，cov2，cov3，卷积核大小均为3*3，步长分别为1，1，2，padding均设置为1，输出通道数均为64；七个残差块分别是RB1，RB2，RB3，RB4，RB5，RB6，RB7；每个残差块的结构相同，均包含三个卷积层，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出的通道数均为64；