[发明专利]一种基于双目图像的去雾方法

权利要求书

1.一种基于双目图像的去雾方法，包括下列步骤：

第一步，构建双目有雾的图片数据库，对于已有数据库的图片，计算出不连续的左图的距离图，利用Image Inpainting将左图距离图补全，利用左右图的视差关系对应求得右图不连续的距离图，继续使用Image Inpainting补全右图的距离图，在已知左右距离图的前提下，根据大气散射模型，设置三种雾的浓度，随机从[0.7,1]中选取一个值作为大气光参数，合成双目有雾数据集，并将双目有雾数据集划分为训练数据集和测试数据集；训练集的标签为清晰的双目图像和对应图片的左右透射图及大气光参数；

第二步，分别设计透射图估计网络和大气光参数预测网络：

透射图估计网络包含卷积参数共享的特征提取模块，双目传输模块和透射图预测模块，卷积参数共享的特征提取模块是一个encoder-decoder的结构，先利用5个卷积层与3个的池化层交替连接，进行下采样；再利用3个双线性插值层与4个卷积层交替顺次连接，进行上采样恢复为原图大小；同分辨率的卷积层输出的特征利用跨连接进行融合，得到鲁棒有效的特征；将有雾的左图和右图输入两个相同的，卷积参数共享的特征提取模块，得到左图和右图的特征，然后将左图和右图的特征输入到双目传输模块中, 通过学习水平方向的关系矩阵，利用左右图的视差关系更好地融合深度信息，更准确地预测透射图；

大气光参数预测网络，只输入有雾的左图，网络为encoder-decoder结构，经过4个的卷积层与2个池化层交替依次连接，下采样4倍；接着利用2个双线性上采样层与2个卷积层交替顺次连接，将特征图恢复值原图大小，通过一个3×3卷积预测大气光参数；

第三步，利用第一步所获得的双目有雾数据集对第二步设计的透射图估计网络和大气光参数预测网络进行训练：使用MSE loss损失函数对预测的左图的透射图，右图的透射图，大气光参数计算损失值；同时用MSE loss损失函数对根据大气散射模型恢复出的左图和右图计算损失值，这两个损失值使得整个网络能够联合优化，训练出一个基于双目图像的去雾模型。