[发明专利]一种基于增量学习与特征、注意力传递的图像去雾方法

说明书

本发明公开了一种基于增量学习与特征、注意力传递的图像去雾方法，包括以下步骤：S1、构造作为教师网络的自编码器网络，提取第一中间层特征图及第一特征注意力图；S2、构造作为学生网络的去雾网络，输出第二中间层特征图、第二特征注意力图去拟合第一中间层特征图、第一特征注意力图，并将拟合后得到的第三特征注意力图对相应特征进行增强操作；S3、使用多组成对的相同图像对教师网络进行训练操作；S4、使用多组成对的雾图与清晰图像对学生网络进行优化训练；S5、使用SSIM损失函数与Smooth L1损失函数共同作用对学生网络进行训练；S6、对学生网络中的数据集进行增量操作，提高去雾网络对其他数据的去雾能力。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于增量学习与特征、注意力传递的图像去雾方法。

背景技术

近年来，工业生产、汽车排放等原因导致空气质量恶化、雾霾天气逐渐增多，空气中的悬浮粒子对光线的吸收、散射致使成像设备获取到的雾天图像出现对比度低、颜色失真、模糊等问题，雾霾图像不仅直接影响图像的视觉效果，而且也限制了以图像为处理对象的高级计算机视觉任务，因此雾霾图像清晰化研究在计算机视觉领域有着很重要的意义。

基于大气散射模型的图像复原方法和基于深度学习的图像去雾方法是目前主流方法。但是基于大气散射模型的图像复原方法会因为中间参数估计不准确导致出现去雾残留、图像失真等问题；而基于深度学习的图像去雾方法因数据集的限制会出现泛化能力较弱的问题；因此，有必要研究一种提高去雾网络中去雾及泛化能力的方法来解决上述问题。

发明内容

本发明目的是针对上述问题，提供一种操作简单、提高去雾效果的基于增量学习与特征、注意力传递的图像去雾方法。

为了实现上述目的，本发明的技术方案是：

一种基于增量学习与特征、注意力传递的图像去雾方法，包括以下步骤：

S1、构造作为教师网络的自编码器网络，提取自编码器网络中不同维度的第一中间层特征图及第一特征注意力图用于后续学生网络的训练；

S2、构造作为学生网络的去雾网络，去雾网络由残差块与两层卷积组成，用SmoothL1损失函数约束残差块输出不同维度的第二中间层特征图、第二特征注意力图去拟合自编码器网络中提取出来的第一中间层特征图、第一特征注意力图，并将拟合后得到的第三特征注意力图作为权重对相应特征进行增强操作；

S3、使用多组成对的相同图像作为教师网络的输入和标签，对教师网络进行训练操作；

S4、使用多组成对的雾图与清晰图像作为学生网络的输入和标签，对学生网络进行优化训练；

S5、使用Smooth L1损失函数作为教师网络与学生网络中标签与去雾结果间的损失函数，同时使用SSIM损失函数作为第一中间层特征图与第二中间层特征图之间的损失函数，使用Smooth L1损失函数作为第一注意力图与第二注意力图间的损失函数，SSIM损失函数与Smooth L1损失函数共同作用对学生网络进行训练；

S6、对学生网络中的数据集进行增量操作，提高去雾网络对其他数据的去雾能力。