[发明专利]先验驱动的深度学习图像去雾方法

权利要求书

1.先验驱动的深度学习图像去雾方法，其特征在于包括以下步骤：

(1)获取同一场景的成对的有雾/无雾数据集，将数据集中的每张图像大小都缩放到512×512，形成最终的训练数据集；

(2)设计先验驱动的深度学习图像去雾方法的网络结构，包括可即插即拔的雾的浓度先验估计模块、去雾主干网络和金字塔后处理模块；

(3)将有雾图像送入雾的浓度先验估计模块来计算雾的浓度先验信息；

(4)将估算得到的雾的浓度先验信息和输入的有雾图像在通道层面拼接concat起来，作为去雾主干网络的初始输入，并且将该雾的浓度先验信息与去雾主干网络的输出按照逐像素相乘的方式对去雾主干网络的学习过程进行约束，得到去雾后的特征图；

(5)将步骤(4)得到的去雾后的特征图与对应的有雾图像输入一起送到后处理器进行优化，得到最终的去雾结果；

(6)将步骤(3)得到的雾的浓度先验信息和步骤(5)得到的最终的去雾结果分别与真实标签计算误差损失，使用Adam优化器训练网络，更新网络参数；

所述使用Adam优化器训练网络，更新网络参数的具体步骤为：

(6a)计算引导损失L_h，计算方式如下：

L_h＝||p-Gray(X-Y)||₂

其中，p表示步骤(3)得到的雾的浓度先验信息，X表示输入的有雾图像，Y表示有雾图像对应的真实无雾图像，(X-Y)表示有雾图像和对应无雾图像的差异，被看作有雾图像对应的雾的分布；操作Gray(·)将图像从RBG格式转化为灰度图，转化方式如下：

Gray＝0.2989R+0.5870G+0.1140B,

其中，R,G,B分别为RGB格式的输入图像X对应的三个颜色通道；

(6b)计算感知损失计算方式如下：

其中，φ_i(·)表示经过预训练神经网络VGG19的第i层卷积及激活函数之后输出的特征图，H_i和W_i分别是第i层特征图的高度和宽度，C_i表示第i层特征通道数；

(6c)计算重建损失L_rec，计算方式如下：

其中，表示步骤(5)的最终的去雾结果；

(6d)将引导损失L_h，感知损失L_vgg和重建损失L_rec按照以下方式进行加权：

L＝λ₁L_rec+λ₂L_vgg+λ₃L_h,

其中，λ₁,λ₂,λ₃分别表示L_rec,L_vgg,L_h的权重系数；

(6e)损失函数的权重系数分别设置为λ₁＝10,λ₂＝1,λ₃＝5，感知损失L_vgg仅使用预训练的VGG19网络中ReLU3_1和ReLU4_2两层输出的特征进行计算，Adam优化器的指数衰减率(β₁，β₂)分别设置为(0.6,0.9)，初始学习率α＝0.001，每间隔10个轮次学习率衰减成原来的0.1倍，训练每次批处理量Batch_size＝2；

(7)取任意的测试图像，对测试图像大小进行缩放，宽高分别缩放为和其中，w和h分别表示测试图像宽高的长度；n表示整个网络中最大的下采样的次数；运算符表示取整操作，重复步骤(3)～(5)，得到预测的去雾结果，最后将预测的去雾结果缩放成原始输入大小。

2.如权利要求1所述先验驱动的深度学习图像去雾方法，其特征在于在步骤(2)中，所述雾的浓度先验估计模块由三个部分组成：传统先验构成的先验提取模块priorextractor，空间金字塔池化模块pyramid pooling和S型激活函数Sigmoid。