[发明专利]基于多尺度残差网络的图像去雾方法

权利要求书

1.一种基于多尺度残差网络的图像去雾方法，其特征在于，包括：

步骤1，获取不同场景下的无雾图像，组成无雾图像数据集；

步骤2，提取无雾图像数据集中的无雾图像的深度信息，根据所述无雾图像的深度信息对无雾图像施加不同浓度的雾干扰，得到有雾图像，将根据无雾图像得到的各个有雾图像构成训练数据集；

步骤3，构建多尺度残差网络，在所述多尺度残差网络中输入训练数据集，对所述多尺度残差网络进行训练，得到训练完成的图像去雾模型；

步骤4：将待处理的有雾图像输入到所述图像去雾模型，所述图像去雾模型输出所述待处理的有雾图像对应的无雾图像；

所述步骤3中在多尺度残差网络中输入训练数据集，对多尺度残差网络进行训练，得到训练完成的图像去雾模型，包括：

步骤3.1，在多尺度残差网络中输入训练数据集中的有雾图像，使用7*7的卷积核对有雾图像进行卷积运算，该卷积运算的步长为1，得到第一层的输出结果F₁；

步骤3.2，将所述第一层的输出结果F₁先进行下采样，下采样的卷积核为2*2，将下采样的结果输入三种大小不同的卷积核所构成的残差块组，三个残差块组命名为Group1、Group2和Group3，分别得到结果和

所述Group1、Group2和Group3各有6个残差块，每个残差块包括两个卷积层，两个归一化函数，一个PReLU激活函数，所述Group1、Group2和Group3的卷积核大小分别是1*1、3*3和5*5，步长均为1；

步骤3.3，将和进行连接，并将连接的结果输入下一个卷积层，得到同理，将和进行连接，将连接的结果输入下一个卷积层，得到该步骤中的基于PyTorch的连接函数如下所示：

步骤3.4，将和进行连接，并将连接的结果输入一个3*3卷积层，所述3*3卷积层的步长为1，对所述3*3卷积层的输出做上采样，所述上采样的卷积核为2*2，所述上采样的结果是F₄，该步骤中的基于PyTorch的连接函数如下所示：

步骤3.5，使用7*7的卷积核对F₄进行卷积操作，该卷积操作的步长为1，得到F₅，使用tanh函数对F₅激活，得到所述多尺度残差网络训练完成的图像去雾模型；

所述的步骤3.3中的将和和分别进行连接后，输入的下一个卷积层的卷积核大小分别为1*1和5*5，步长均为1。

2.根据权利要求1所述的方法，其特征在于，所述步骤3中构建的多尺度残差网络有41个卷积层、1个下采样操作和1个上采样操作，41个卷积层包括5个单一卷积层和18个残差块。

3.根据权利要求1或者2所述的方法，其特征在于，所述图像去雾模型的损失函数Loss的计算公式为：

loss＝1.8*loss_MAE+1.6*loss_MSE

其中，loss_MAE是图像平均绝对误差，loss_MSE是图像均方误差。