[發明專利]一種基于透射圖引導的單幅圖像多解碼器去霧方法

有效

• 申請號: 202210558654.0
• 申請日: 2022-05-20
• 公開（公告）號: CN115205135B
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 王念;崔智高;蘇延召;李愛華;蘭云偉;張煒
• 申請（專利權）人: 中國人民解放軍火箭軍工程大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06N3/0464;G06N3/09
• 代理公司: 西安創知專利事務所 61213
• 代理人: 馬鳳云

1.一種基于透射圖引導的單幅圖像多解碼器去霧方法，其特征在于，該方法包括以下步驟：

步驟一、設計基于透射圖引導的去霧網絡對單張的有霧圖像去霧，過程如下：

步驟101、利用合成霧天數據集作為圖像訓練樣本集，并將圖像訓練樣本集中每張有霧圖像歸一化到固定尺寸；

步驟102、調取一張有霧圖像作為輸入有霧圖像，將輸入有霧圖像視為第一尺度特征霧天圖像H₁，對第一尺度特征霧天圖像H₁進行下采樣得到第二尺度特征霧天圖像H₂，對第二尺度特征霧天圖像H₂進行下采樣得到第三尺度特征霧天圖像H₃，對第三尺度特征霧天圖像H₃進行下采樣得到第四尺度特征霧天圖像H₄；

步驟103、根據公式R_i＝RBs(H_i)，將每一個尺度上的特征霧天圖像輸入到級聯的殘差模塊中進行特征增強，得到每一個尺度上對應的增強特征霧天圖像R_i，其中，i＝1,2,3,4，RBs(·)為級聯的殘差模塊；

步驟104、根據公式T_64＝Conv₁(R₄)，得到第四尺度上的透射圖特征T_64，其中，Conv₁(·)為以透射圖為監督信號的卷積降維模塊；

根據公式DI_64＝Conv₂(R₄)，得到第四尺度上的初始去霧圖像特征DI_64，其中，Conv₂(·)為以無霧圖像為監督信號的卷積降維模塊；

根據公式得到第四尺度上的改進去霧圖像特征M_64，其中，A為注意力模塊，為像素級乘法器；

根據公式T₄＝Conv_t4(T_64)，得到第四尺度上輸出的透射圖T₄，其中，Conv_t4(·)為第四尺度上輸出透射圖的卷積層；

根據公式D₄＝Conv_d4(M_64)，得到第四尺度上輸出的去霧圖D₄，其中，Conv_d4(·)為第四尺度上輸出去霧圖的卷積層；

根據公式U₃＝I(R³)，得到第三尺度上有霧特征圖像U₃，其中，R³為R₄上采樣到R₃對應尺寸的有霧圖像，I(·)為雙線性插值函數；

步驟105、根據公式得到第三尺度上的融合降維圖像F₃，為通道融合模塊，Conv(·)為卷積降維模塊；

根據公式T_128＝Conv₁(F₃)，得到第三尺度上的透射圖特征T_128；

根據公式DI_128＝Conv₂(F₃)，得到第三尺度上的初始去霧圖像特征DI_128；

根據公式得到第三尺度上的改進去霧圖像特征M_128；

根據公式T₃＝Conv_t3(T_128)，得到第三尺度上輸出的透射圖T₃，其中，Conv_t3(·)為第三尺度上輸出透射圖的卷積層；

根據公式D₃＝Conv_d3(M_128)，得到第三尺度上輸出的去霧圖D₃，其中，Conv_d3(·)為第三尺度上輸出去霧圖的卷積層；

根據公式U₂＝I(F³)，得到第二尺度上有霧特征圖像U₂，其中，F³為F₃上采樣到R₂對應尺寸的有霧圖像；

步驟106、根據公式得到第二尺度上的融合降維圖像F₂；

根據公式T_256＝Conv₁(F₂)，得到第二尺度上的透射圖特征T_256；

根據公式DI_256＝Conv₂(F₂)，得到第二尺度上的初始去霧圖像特征DI_256；

根據公式得到第二尺度上的改進去霧圖像特征M_256；

根據公式T₂＝Conv_t2(T_256)，得到第二尺度上輸出的透射圖T₂，其中，Conv_t2(·)為第二尺度上輸出透射圖的卷積層；

根據公式D₂＝Conv_d2(M_256)，得到第二尺度上輸出的去霧圖D₂，其中，Conv_d2(·)為第二尺度上輸出去霧圖的卷積層；

根據公式U₁＝I(F²)，得到第一尺度上有霧特征圖像U₁，其中，F²為F₂上采樣到R₁對應尺寸的有霧圖像；

步驟107、根據公式得到第一尺度上的融合降維圖像F₁；

根據公式T_512＝Conv₁(F₁)，得到第一尺度上的透射圖特征T_512；

根據公式DI_512＝Conv₂(F₁)，得到第一尺度上的初始去霧圖像特征DI_512；

根據公式得到第一尺度上的改進去霧圖像特征M_512；

根據公式T₁＝Conv_t1(T_512)，得到第一尺度上輸出的透射圖T₁，其中，Conv_t1(·)為第一尺度上輸出透射圖的卷積層；

根據公式D₁＝Conv_d1(M_512)，得到第一尺度上輸出的去霧圖D₁，其中，Conv_d1(·)為第一尺度上輸出去霧圖的卷積層；

步驟二、根據公式計算損失函數L，其中，x_i為尺度i上真實的透射圖，y_i為尺度i上真實的無霧圖，為尺度i上第一權重系數，λ_i²為尺度i上第二權重系數；

步驟三、更新權重參數集合：將損失函數L送入Adam優化器，對步驟一的基于透射圖引導的去霧網絡訓練優化，更新基于透射圖引導的去霧網絡的權重參數集合；

步驟四、調取一張新的有霧圖像，循環步驟一至步驟三，直到訓練達到預設訓練步數或者損失值不再下降或損失值小于0.015即停止訓練，此時，得到去霧網絡的最終權重參數集合，并確定最終的去霧網絡；

步驟五、單張實際有霧圖像去霧：將單張實際有霧圖像送入基于透射圖引導的去霧網絡對單張實際有霧圖像去霧，同時獲得實際有霧圖像的透射圖和無霧圖像。