[發(fā)明專利]基于貝葉斯卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧方法及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011614558.0
• 申請(qǐng)日: 2020-12-31
• 公開（公告）號(hào): CN112634171B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設(shè)計(jì)）人: 嚴(yán)家佳;李朝鋒
• 申請(qǐng)（專利權(quán)）人: 上海海事大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 上海元好知識(shí)產(chǎn)權(quán)代理有限公司 31323
• 代理人: 徐雯瓊;張妍

1.一種基于貝葉斯卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧方法，其特征在于，包括：

步驟S1、獲取RESIDE數(shù)據(jù)集，采用所述RESIDE數(shù)據(jù)集中的ITS數(shù)據(jù)集作為訓(xùn)練集，SOTS數(shù)據(jù)集作為測(cè)試集；

所述ITS數(shù)據(jù)集為室內(nèi)霧霾圖像數(shù)據(jù)集，包含n張清晰圖像和10*n張霧霾圖像；

所述SOTS數(shù)據(jù)集包括室內(nèi)霧霾圖像數(shù)據(jù)集和室外霧霾圖像數(shù)據(jù)集，所述室內(nèi)霧霾圖像數(shù)據(jù)集包含m張清晰圖像和10*m張霧霾圖像；所述室外霧霾圖像數(shù)據(jù)集包含m₁張清晰圖像和與之對(duì)應(yīng)的m₁張霧霾圖像；

步驟S2、將所述訓(xùn)練集輸入至貝葉斯卷積神經(jīng)網(wǎng)絡(luò)內(nèi)，對(duì)所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到最優(yōu)模型；

所述步驟S2包括：對(duì)所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)建模：

假設(shè)所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)為W，p(W)是參數(shù)的先驗(yàn)分布，給定數(shù)據(jù)集D＝{(X,Y)}，這里X是輸入數(shù)據(jù)，Y是標(biāo)簽數(shù)據(jù)；所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)給出以下分布：

P(Y*|X*,D)＝∫P(Y*|X*,W)P(W|D)dW

根據(jù)貝葉斯理論，后驗(yàn)概率P(W|D)表示如下：

式中，P(W|D)是后驗(yàn)分布，P(D|W)是似然函數(shù)，P(D)是邊緣似然；

用概率分布q(ω|θ)來(lái)近似表示后驗(yàn)概率p(W|D)；

其中θ＝(μ,σ)，θ表示均值μ，標(biāo)準(zhǔn)差為σ的集合，ω表示權(quán)重；第i組數(shù)據(jù)的權(quán)重ω_i從正態(tài)分布(μ_i,σ_i)中采樣，i表示第i組數(shù)據(jù)，μ_i表示第i組數(shù)據(jù)的均值，σ_i表示第i組數(shù)據(jù)的標(biāo)準(zhǔn)差；

通過KL散度優(yōu)化所述后驗(yàn)分布P(W|D)和概率分布q(ω|θ)的距離θ*：

式中，由于P(D)是常數(shù)不取決于θ在推導(dǎo)中忽略不計(jì)，q(ω|θ)表示給定正態(tài)分布的參數(shù)后權(quán)重參數(shù)的分布，P(D|ω)表示給定網(wǎng)絡(luò)參數(shù)后觀測(cè)數(shù)據(jù)的似然，P(ω)表示權(quán)重的先驗(yàn)，這部分作為貝葉斯卷積神經(jīng)網(wǎng)絡(luò)模型的正則化；E_q(ω|θ)表示具有概率密度函數(shù)q(ω|θ)的期望；

采用公式L來(lái)表示變分下界ELBO如下：

式中，L表示變分下界；D＝{(x,y)}，q(ω_i|θ_i)表示給定正態(tài)分布的參數(shù)后權(quán)重參數(shù)的分布，P(ω_i)表示第i組數(shù)據(jù)的權(quán)重ω_i的先驗(yàn)分布，i表示第i組數(shù)據(jù)，P(y_j|ω,x_j)表示概率密度函數(shù)，其中x_j，y_j表示集合D中第j組輸入數(shù)據(jù)；

ω_i＝μ_i+σ_i×ε_i

式中，ε_i～N(0,1)，ε_i表示第i組數(shù)據(jù)的超參數(shù)，于是，用ε代替ω后，對(duì)期望E_q(ω|θ)求導(dǎo)：

選取多個(gè)不同的ε～N(0,1)，求取的平均值，來(lái)近似KL散度對(duì)θ的求導(dǎo)；

對(duì)σ進(jìn)行重采樣，令σ＝log(1+e^ρ)，式中，e^ρ表示e為底數(shù)，ρ為實(shí)數(shù)變量的指數(shù)函數(shù)；

令上述θ＝(μ,σ)；

所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)的建模將所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)模型所有參數(shù)的權(quán)重集合W采用概率分布的形式進(jìn)行表示；

所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)loss如下：

loss＝MSE+β*KL，

其中，MSE為均方誤差，KL表示歸一化后的KL散度，M為訓(xùn)練集樣本個(gè)數(shù)，i為迭代次數(shù)；

步驟S3、將所述測(cè)試集輸入至所述最優(yōu)模型，采用所述最優(yōu)模型對(duì)所述測(cè)試集進(jìn)行端對(duì)端的去霧處理，并輸出去霧圖像。

2.如權(quán)利要求1所述的基于貝葉斯卷積神經(jīng)網(wǎng)絡(luò)的圖像去霧方法，其特征在于，

所述貝葉斯卷積神經(jīng)網(wǎng)絡(luò)包括3個(gè)編碼層、18個(gè)殘差塊和3個(gè)解碼層；每一所述編碼層和每一所述解碼層結(jié)構(gòu)相同，每一所述編碼層包含一層卷積和一層激活函數(shù)層，每一所述殘差塊包含兩層卷積和一個(gè)激活函數(shù)層，其中所述激活函數(shù)層中激活函數(shù)采用PReLU。