[发明专利]基于深度学习的针对真实带雾图像的去雾方法及装置

权利要求书

1.基于深度学习的针对真实带雾图像的去雾方法，其特征在于：其包括以下步骤：

(1)对训练集中所有图像的大小进行处理；

(2)输入一个模糊图像，对其进行特征提取；

(3)图像再被输入到3个跳跃连接的网络结构中；

(4)利用特征注意力模块将网络输出的特征融合；

(5)将特征输入到残差学习模块；

(6)重复步骤(2)-(5)，对训练集中的图片分批次进行训练；

(7)在微调部分，用物理先验知识作为指导，训练未标记的真实带雾图像；

(8)融合特征，输出恢复后的清晰图像。

2.根据权利要求1所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(1)中，对图像的大小进行处理为对图像进行裁剪，得到相同大小的图像。

3.根据权利要求2所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(1)中，将图像裁剪为240×240的图像大小。

4.根据权利要求3所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(2)中输入模糊图像，首先对其进行特征提取，通道数设置为16，卷积核大小设置为3×3。

5.根据权利要求4所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(3)中3个跳跃连接的网络结构的每个结构都由19个基本块组成，每个基本块都由1个卷积层、一个ReLU层、一个特征注意力模块组成，其中ReLU函数为公式(1)：

f(x)＝max(0,x) (1)

其中，x为上一层的输出值，当x0时取0，当x≥0时取x。

6.根据权利要求5所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(4)中特征注意力模块，其通道注意力部分卷积核大小设置为1×1。

7.根据权利要求6所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(4)中特征注意力模块包括：通道注意力模块CA和特征注意力模块PA；

CA卷积核大小设置为1×1，其包括一个全局平均池化层、两个卷积层和Sigmoid、ReLU激活函数，全局池化函数表达式为公式(2)

其中，X_c(i,j)表示第c个通道在(i,j)未知的值，H和W表示图像的高和宽，c表示颜色通道，F_c表示当前颜色通道的值，H_p表示全局池化函数，g_c表示全局平均池化的输出；

Sigmoid函数为公式(3)：

PA卷积核大小设置为3×3，其由两个卷积层和Sigmoid、ReLU激活函数组成。

8.根据权利要求7所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(6)中对图像进行重复训练次数为1×10⁶次。

9.根据权利要求8所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(7)中，微调部分用未标记的真实带雾图像作为输入，依据暗通道DCP和亮通道BCP先验定义损失函数，作为无监督训练的指导方式

其中，t和分别表示来自DCP和本网络的传输估计，L是拉普拉斯矩阵，λ是一个超参数；

引入亮通道先验：

其中，t和分别表示来自DCP和本网络的传输估计；

对于所有损失函数：

其中，λ_d和λ_b是权衡权重。

10.基于深度学习的针对真实带雾图像的去雾装置，其特征在于：其包括：

图像大小处理模块，其配置来对训练集中所有图像的大小进行处理；

特征提取模块，其配置来输入一个模糊图像，对其进行特征提取；

图像输入模块，其配置来将图像输入到3个跳跃连接的网络结构中；

特征融合模块，其配置来利用特征注意力模块将网络输出的特征融合；

训练模块，其配置来将特征输入到残差学习模块，重复训练；

微调模块，其配置来用物理先验知识作为指导，训练未标记的真实带雾图像；

输出模块，其配置来融合特征，输出恢复后的清晰图像。