[发明专利]基于上下文感知注意力的低光图像去雾方法

权利要求书

1.一种基于上下文感知注意力的低光图像去雾方法，其特征在于，包括如下步骤：

(1)构建基于上下文感知注意力的低光图像去雾网络CPA-Net：

(1a)建立层内上下文感知注意力模块：

(1a1)分别建立均由四条支路并行组成的通道上下文感知子模块和空间上下文感知子模块；

(1a2)将通道上下文感知子模块和空间上下文感知子模块串联，并将串联输出的结果与该模块原始输入逐像素相加，组成层内上下文感知注意力模块；

(1b)建立由两个卷积单元、子空间投影模块、反卷积操作、协注意力模块组成的层间上下文感知注意力模块；

(1c)在Pytorch框架下选用现有的卷积单元、上采样模块、残差模块、融合模块、轻量化注意力模块及所构建的层内上下文感知注意力模块、层间上下文感知注意力模块，组成基于上下文感知注意力的低光图像去雾网络CPA-Net；

(2)从公开的低光去雾图像数据集中选择两个不同的数据集，每个数据集中均包含清晰无雾图像集J_t和低光有雾图像集I_t，对数据集进行雾图伪影的预处理及裁剪操作，得到清晰的无雾图像集J_t'和清晰的低光有雾图像集I_t'，将其作为训练图像集；

(3)构建由欧氏距离公式及CIEDE2000色差公式组成的联合总损失公式：

其中，为欧氏距离公式，n为输入的总图像个数，为低光去雾网络CPA-Net预测的无雾图像组，J′_t为对应的清晰无雾图像集；为CIEDE2000色差公式，为网络预测的无雾图像集LAB空间各通道值，为对应的原始清晰无雾图像集LAB空间各通道值，(k_L,k_C,k_H)为参数权重因子；

(4)对低光图像去雾网络CPA-Net进行训练：

(4a)将清晰无雾图像集J_t'和清晰低光有雾图像集I_t'按批量大小分别平分为多个配对的图像组，并将I_t'的第一图像组输入至CPA-Net网络，得到网络各个卷积操作的初始权值W_n和偏置值B_n、反卷积操作的权值D_n以及网络估计的低光无雾图像组

(4b)将与I_t'相配对的J_t'第一图像组与网络估计的对应低光无雾图像组代入联合总损失公式，计算训练集中的每张图像对应的总损失值Loss；

(4c)利用Adam算法的网络参数更新梯度方向，以最小联合总损失值作为目标，更新低光去雾网络的参数，得到一次参数更新后的神经网络CPA-Net；

(4d)将第二图像组输入至一次参数更新后的神经网络CPA-Net，重复步骤(4a)至(4c)，得到二次参数更新后的神经网络CPA-Net；以此类推，直至最后一组图像组输入至前一次更新后的神经网络CPA-Net，得到一次训练后的神经网络CPA-Net；

(4e)再将J_t'、I_t'的所有图像组依次输入至完成一次训练的神经网络CPA-Net，即重复步骤(4a)至(4d)，得到二次训练后的神经网络CPA-Net；以此类推，直至所有图像组均被输入400次，完成对低光去雾网络CPA-Net的训练；

(5)将一幅需要去雾处理的低光有雾图像I_c输入至训练好的低光去雾网络CPA-Net，输出去雾后的清晰图像J_c。