[发明专利]一种多尺度融合卷积神经网络图像去雾方法

权利要求书

1.一种多尺度融合卷积神经网络图像去雾方法，其特征在于，步骤如下：

S1、搭建去雾图像预处理模型，对原始有雾图像进行预处理，提取有雾图像浅层特征；

S2、构建多尺度融合卷积神经网络模型，深度学习有雾图像特征，得到粗透射率图；

S3、对多尺度融合卷积神经网络模型得到的粗透射率图使用双边滤波进行优化，得到细透射率图；

S4、使用粗传播率图和原始有雾图像求大气光值，根据大气散射模型和细透射率图复原得到无雾图。

2.如权利要求1所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，步骤S1具体如下：

采用2个连续尺寸大小为3×3的卷积层，对原始有雾图像进行预处理，每层卷积核之间通过局部连接、权值共享的方式与输入图像进行运算，提取有雾图像浅层特征，卷积公式为：

式中，*表示卷积，m和a为特征图的个数；c表示第c个卷积层；f_a，c+1为第c+1卷积层输出的a个特征图，X_m，a，c+1为第c+1层的卷积核，σ[·]为激活函数，b_a，c+1为第c+1卷积层的偏置项，激活函数σ[·]选择改进的带参数的修正线性单元LRelu。

3.如权利要求2所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，步骤S2中，对预处理后的有雾图像，分别使用尺寸大小为3×3、5×5、7×7的卷积核进行多尺度卷积，进一步提取特征信息，卷积后对各卷积层得到的特征信息进行特征融合；特征融合后的特征图再进行一次多尺度特征提取，分别使用的卷积核尺寸大小为3×3、5×5、7×7，提取不同尺度的特征信息，提取后对各卷积层得到的特征图再进行一次特征融合，最终得到特征信息图；每一层激活函数使用LRelu；多尺度卷积计算公式为：

F_si(Y)＝W_si*F_s-1(Y)

其中，F_si表示s层的第i组特征图，F_s-1表示s-1层的第i-1组特征图，W_si(i＝1，2，3)表示s层的第i组卷积核，*表示卷积。

4.如权利要求3所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，步骤S2中，得到特征信息图后，在卷积操作时使用3个连续的3×3的卷积层；引入BN层归一化处理，使得数据变为均值为0方差为1的正态分布，激活函数使用LRelu。

5.如权利要求3所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，在网络模型的最后一层采用卷积核大小为1×1以及非线性回归产生最后的粗略的透射率图。

6.如权利要求1所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，步骤S3中，对得到的粗透射率图首先经图像扩展，然后根据所设定的空域和值域滤波半径σ_d和σ_r分别进行平面高斯滤波和值域高斯滤波，空域和值域高斯滤波结果分别为ω1，ω2，以ω＝ω1*ω2为双边滤波加权算子，根据双边滤波器的模型实现透射率图的细化，得到最终的透射率图。

7.如权利要求6所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，双边滤波器模型为：

式中，f(k，l)为图像中心点(k，l)的像素值；g(i，j)为图像中点(i，j)的像素；ω(i，j，k，l)为权值系数，可表示为：

8.如权利要求1所述的多尺度融合卷积神经网络图像去雾方法，其特征在于，已知透射率图t(x)和全局大气光值A，则无雾图像J(x)可以通过以下公式得到：