[发明专利]一种基于深度语义分割的图像去雾方法

权利要求书

1.一种基于深度语义分割的图像去雾方法，其特征在于，所述方法包括：

收集清晰无雾图和相应的深度图的数据集，室内图采用NYU-Depth v2数据集，室外图则采用RESIDE数据集；

采用在ADE20K数据集下训练的PSPNet网络模型，并对该模型进行微调来构建语义分割模块；

采用自动编码器来构建去雾模块，并嵌入语义分割模块作为完整的单张图像去雾模型；

制定去雾模型训练策略，并进行模型训练，经设定的迭代次数修正网络参数得到最终的模型结果，即先设计损失函数，计算损失函数得到当前误差，通过反向传播修改网络参数；

取有雾图及对应的清晰图片所组成的测试集，对完整的去雾模型进行测试，该最终模型接收一张输入的有雾图，经过语义分割模块后得到相应的语义分割标签图，将有雾图和得到的标签图连接起来并输入到去雾模块中得到对应的清晰结果图。

2.如权利要求1所述的一种基于深度语义分割的图像去雾方法，其特征在于，所述制定去雾模型训练策略步骤，具体包括：

对于损失函数采用均方误差损失函数、感知损失函数和图像梯度损失函数；

构造均方误差损失函数，采用输入的有雾图像减去数据集中相应的清晰图片得到所有像素值，并对其进行乘方操作，得到像素值的平方，并取所有像素值平方的均值作为最终的结果；

构造感知损失函数，采用VGG19预训练模型的第1-5隐藏层来作为提取特征模型，将输入的有雾图输入到提取特征模型中得到相应的有雾图特征，同时将数据集中对应的相应的清晰图输入到提取特征模型中得到相应的清晰图特征，将有雾图特征减去清晰图特征得到感知特征，并对其进行乘方操作，得到感知特征的平方，并取感知特征平方的均值作为最终的结果；

构造图像梯度损失函数，进一步修正去雾的结果图片的边缘信息；采用偏微分方程来计算输入有雾图像在高度和宽度方向上的两个梯度，并采用偏微分方程计算数据集中相应的清晰图片的两个梯度值，将有雾图的梯度值减去清晰图相应方向上的梯度值得到梯度值之差，并取该差的绝对值，最后取该绝对值的平均值得到最终的结果；

最后将均方误差损失函数、感知损失函数和图像梯度损失函数相加得到最终的损失函数。