[发明专利]基于深度估计辅助的图像去雾方法

权利要求书

1.一种基于深度估计辅助的图像去雾方法，其特征在于包括：

1)在Pytorch框架下分别构建深度估计网络和去雾网络:

所述深度估计网络，包括八个卷积单元、六个残差模块层、六个上采样层和五个池化层；所述去雾网络，包括五个卷积单元、六个重标定模块层、一个上采样层和五个池化层；

所述每个卷积单元，包括卷积层，归一化层，该卷积层包括卷积操作以及LeakyReLU激活函数层；

2)获取一组清晰无雾图像集J_t，利用景深估计CNN模型分别估计出每张图像对应的景深信息D_t，根据深度图像集D_t进行计算得到透射率图像集T，并对无雾图像J_t根据透射率图像集T和人为设定的大气光值A进行人工加雾得到有雾图像集I_t，将有雾图像集I_t和深度图像集D_t作为深度估计网络的训练图像集，将无雾图像集J_t和有雾图像集I_t作为去雾网络的训练图像集；

3)对深度估计网络进行训练：

3a)将训练图像集I_t中的每张图像依次输入到深度估计网络中，输出估计出的对应深度

图像

3b)将深度图像集中对应的深度图像D_t与估计出的对应的深度图像代入针对纹理细节设计的加权总损失公式，计算训练集中的每张图像对应的加权总损失值；

3c)利用Adam算法的网络参数更新方向公式，将最小化加权总损失值作为目标，更新深度估计网络中的参数，得到训练好的深度估计网络；

4)对去雾网络进行训练：

4a)将训练图像集I_t中的每张图像依次输入到训练好的深度估计网络中，输出估计出的对应深度图像D^*；

4b)将训练图像集I_t中的每张图像与其对应深度图像D^*输入到去雾网络中，输出估计出的对应的去雾图像J^*；

4c)将无雾图像集中对应的无雾图像J_t与估计出的对应的去雾图像J^*代入针对纹理细节设计的加权总损失公式，计算训练集中的每张图像对应的加权总损失值；

4e)利用Adam算法的网络参数更新方向公式，将最小化加权总损失值作为目标，更新深度估计网络中的参数，得到训练好的去雾网络；

5)将一幅需要去雾处理的有雾图像I_c输入到训练好的深度估计网络，输出深度图像D_c；

6)将输出的深度图像D_c和有雾图像I_c一起输入训练好的去雾网络，输出去雾后的图像J_c。

2.根据权利要求1所述的方法，其特征在于：1)中构建的深度估计网络，其包括前处理部分、后处理部分和输出部分；

所述前处理部分依次为：第一卷积单元→第二卷积单元→第三卷积单元→第一残差模块层→第一池化层→第二残差模块层→第二池化层→第三残差模块层→第三池化层→第四残差模块层→第一上采样层→第五残差模块层→第二上采样层→第六残差模块层→第三上采样层；该第一残差模块层同时与第六残差模块层相连接；该第二残差模块层同时与第五残差模块层相连接该第三残差模块层同时与第四残差模块层相连接；

所述后处理部分具有三条分支：

第一分支依次为：第四池化层→第四卷积单元→第四上采样层；

第二分支依次为：第五池化层→第五卷积单元→第五上采样层；

第三分支依次为：第六池化层→第六卷积单元→第六上采样层；该第四池化层、第五池化层、第六池化层均与第三上采样层相连接；

所述输出部分依次为：第七卷积单元→第八卷积单元；该第七卷积单元同时与第四上采样层、第五上采样层、第六上采样层相连接。