[发明专利]一种基于雾迁移和特征聚合的真实场景下有雾图像去雾方法

权利要求书

1.一种基于雾迁移和特征聚合的真实场景下有雾图像去雾方法，其特征在于，包括如下步骤：

Step1、预训练透射图估计网络：通过室内有雾图像和与之相对应的透射图预训练透射图估计网络；

Step2、估计真实有雾图像的全局大气光：通过暗通道先验的原理，首先找到真实有雾图像的暗通道，再找到暗通道中最亮的像素作为大气光；

Step3、利用大气散射模型生成有雾图像：利用透射图估计网络估计出真实场景有雾图像的透射图，然后结合Step2中的全局大气光和任意一张清晰图像生成有雾图像；

Step4、对透射图估计网络进行微调：通过多层次特征分块鉴别器与透射图估计网络进行对抗训练，使Step3中生成的有雾图像风格和真实场景下的有雾图像尽可能相似；多层次特征分块鉴别器用于对生成的雾图像和真实场景下的雾图像不仅做图像级的鉴别，而且做特征块级的鉴别，进而微调透射图估计网络，使其生成的透射图更加适应合格的雾图像的生成，使生成的雾图像风格与真实场景下的雾图像更加相似；

Step5、设计清晰图像特征提取器和去雾网络的结构：设计了残差密集注意力模块和细粒度特征信息补偿模块实现特征聚合；

Step6、训练清晰图像特征提取器：将清晰图像作为清晰图像特征提取器的输入，最终重建出清晰图像，保证清晰图像提取到的中间特征尽可能准确；

Step7、训练去雾网络：将Step3中生成的有雾图像作为去雾网络的输入，以Step6提取的清晰图像特征作为中间特征监督，训练去雾网络，得到最终训练好的去雾模型；

Step8、利用Step7中的模型对有雾图像进行去雾并对去雾结果进行评估。

2.根据权利要求1所述的基于雾迁移和特征聚合的真实场景下有雾图像去雾方法，其特征在于，所述Step1中的训练集为RESIDE数据集中室内合成有雾图像和与之相对应的透射图，将透射图作为标签，训练透射图估计网络，使其拥有生成透射图的能力，在训练过程中损失函数如下所示：

L_ct＝||T(X_in)-t(x)||₁

其中，X_in为RESIDE数据集中室内合成有雾图像，t(x)为X_in对应的透射图，直接从RESIDE公开数据集中的ITS子集中获得，T(·)为透射图估计网络T；该损失函数约束网络使其生成的透射图和标签透射图保持一致。

3.根据权利要求1所述的基于雾迁移和特征聚合的真实场景下有雾图像去雾方法，其特征在于，所述Step2中：首先在图像中15×15的区域找出像素最小值，然后在这些最小值中找出最亮的像素作为全局大气光的值。

4.根据权利要求1所述的基于雾迁移和特征聚合的真实场景下有雾图像去雾方法，其特征在于，所述Step3中假设I为真实雾场景下的图像，为清晰无雾图像，且和I非成对；假设用于估计透射图t(x)的网络为T，根据透射图估计网络T，从I中估计出透射图t(x)，再按照暗通道先验原理估计出大气光A，然后根据估计出的t(x)和大气光A，生成雾图像

5.根据权利要求1所述的基于雾迁移和特征聚合的真实场景下有雾图像去雾方法，其特征在于，所述Step4中，微调时的对抗损失函数如下所示：

其中，和分别表示图像鉴别器和特征分块鉴别器的损失；D_img、D_fea分别表示图像鉴别器和特征分块鉴别器；分别表示真实雾图像，真实雾图像的大气光和清晰无雾图像，其中I和不成对；F_I和分别表示真实雾图像和生成雾图像输入到图像鉴别器D_img的过程中得到的某层的特征，其次，将透射图估计网络和大气散射模型统称为雾生成器，训练该雾生成器的损失函数L_G定义为：

其中，T(·)和分别表示预训练好的透射图估计网络和再训练时的透射图估计网络。