[发明专利]一种带雾图像修复方法

权利要求书

1.一种带雾图像修复方法，其特征在于，包括以下步骤：

S1：提取带雾图像的边缘图，利用掩膜将带雾图像转换为部分信息缺失图像；

S2：将部分信息缺失的图像、边缘图以及掩膜输入边缘修复网络，输出所述部分信息缺失图像的修复边缘；

S3：将所述修复边缘与所述部分信息缺失图像输入图像修复网络，输出修复图像。

2.根据权利要求1所述的一种带雾图像修复方法，其特征在于，步骤S1开始前还包括建立数据库的步骤：

建立训练集和验证集；所述训练集包括若干带雾图像，所述验证集包括若干真值图像；

将训练集和验证集中的带雾图像均重设为第一设定大小；

将训练集中的带雾图像和验证集中的真值图像分别转换为第一灰度图、第二灰度图。

3.根据权利要求2所述的一种带雾图像修复方法，其特征在于，步骤S1中所述提取带雾图像的边缘图具体包括：

使用canny函数提取训练集中的第一灰度图的边缘得到边缘图；

使用canny函数提取验证集中的第二灰度图的边缘得到真值边缘。

4.根据权利要求3所述的一种带雾图像修复方法，其特征在于，步骤S1中所述利用掩膜将带雾图像转换为部分信息缺失图像具体为：使用pytorch框架的乘法算子分别计算掩膜与训练集中的带雾图像的Hadamard乘积以及掩膜与验证集中的真值图像的Hadamard乘积。

5.根据权利要求4所述的一种带雾图像修复方法，其特征在于，步骤S2具体包括以下步骤：

S21：将训练集对应的部分信息缺失图像、边缘图以及掩膜输入边缘修复网络中，生成修复后的边缘；

S22：将修复后的边缘与真值边缘输入边缘修复网络中进行判别并计算边缘损失；

S23：设定第一迭代次数，损失反向传播进行训练，在达到第一迭代次数后将学习率降低85％～95％后继续训练至收敛；

S24：输出修复边缘。

6.根据权利要求5所述的一种带雾图像修复方法，其特征在于，步骤S3具体包括：

S31：将训练集、验证集对应的部分信息缺失图像和真值边缘输入图像修复网络中，生成修复后的图像；

S32：将修复后的图像与验证集中的真值图像、验证集对应的部分信息缺失图像进行判别并计算图像损失，然后反向传播；

S33：设定第二迭代次数，当达到第二迭代次数后将修复边缘替换真值边缘进行微调，并将学习率降低85％～95％后继续训练至收敛；

S34：输出修复图像。

7.根据权利要求6所述的一种带雾图像修复方法，其特征在于，步骤S1中所述基于深度残差网络模型还包括分别用于强调重要的通道和像素的通道注意力模块和空间注意力模块。

8.根据权利要求7所述的一种带雾图像修复方法，其特征在于，所述边缘修复网络以及所述图像修复网络的每层网络之间均加入归一化层，所述归一化层采用域归一化对所述边缘图划分为多个区域，具体表示为：

其中，n表示批数，c表示通道，表示划分的区域。

9.根据权利要求8所述的一种带雾图像修复方法，其特征在于，所述边缘损失包括生成对抗损失和特征匹配损失，具体表示为：

其中，L_adv，e表示生成对抗损失，E_gt表示真值边缘，I_gray表示带雾图像的灰度图，I_{gt_gray}表示真值图像的灰度图，E_pred表示边缘修复网络输出的边缘图；N_i表示判别器第i层激活层的通道数；D_e表示边缘修复网络判别器；E表示分布函数的期望值；表示边缘修复网络判别器第i层的输出；L_FM表示特征匹配损失。

10.根据权利要求9所述的一种带雾图像修复方法，其特征在于，所述修复损失包括最小绝对值损失L₁、对抗损失L_adv，i、感知损失L_perc、风格损失L_style，分别表示为：

其中，φ_i表示VGG-19网络中第i层激活层的值，表示第i层激活层得到的格拉姆矩阵；C、W、H分别表示通道数、图像宽度和图像高度；D_i表示图像修复网络判别器；I_gt表示验证集对应的部分信息缺失图像；I_pred表示输出的修复图像。