[发明专利]一种轻量高效的单幅图像去烟雾方法

权利要求书

1.一种单幅图像去烟雾的方法，其特征在于，包括以下步骤：

步骤S1：构建烟雾形成的大气物理模型，推导出烟雾退化公式；

步骤S2：基于神经网络设计编码器网络，再将编码网络输出的隐空间特征应用解码器网络解码，得到物理模型中传输介质参数，同时还将隐空间特征输入到估计大气光照的回归器中，得到大气光照参数，具体为选取包含传输介质参数、大气光照参数、有烟雾-清晰图像对的数据集，将烟雾图像输入编码器，得到隐空间特征，再分别输入解码器和回归器，分别得到传输介质参数和大气光照参数；

步骤S3：将步骤S2中得到的传输介质参数再输入到金字塔网络，估计出更加准确的传输介质参数，再将该传输介质参数和步骤S2中所得到的大气光照参数代入步骤S1中所述的烟雾退化公式，得到清晰的图像；

步骤S4：将步骤S2、S3中所得到的2个传输介质参数、大气光照参数和清晰图像分别与步骤S2中所述的数据集中的真实值计算损失函数，训练神经网络，直到在验证集中效果被接受；

步骤S5：将实际的烟雾数据输入到步骤S4中已训练好的网络中，并利用烟雾退化公式，得到去烟/雾图像；

所述烟雾形成的大气物理模型的数学公式如式(1)所示：

I(x)＝J(x)t(x)+A(1-t(x))    (1)

其中，I(x)表示有烟雾的图像，其中J(x)表示清晰的无烟雾图像，t(x)表示传输介质参数，A表示全局大气光照；所述烟雾退化公式如式(2)所示：

所述步骤S2进一步包括构建初步的卷积神经网络，估计式中的t(x)和A，所述卷积神经网络为编码器-解码器卷积神经网络结构，在编码器部分，采用步长大于1的空洞卷积运算实现特征图的下采样；

记所述空洞卷积运算为其中x_i表示第i层的特征图，表示卷积输出通道数，e表示输入通道数，k表示卷积核的大小为k²，为卷积运算的步长，p为像素填充，d为空洞卷积的膨胀系数；所述编码器的每一层都采用ReLU激活函数，所述解码器的中间层也采用ReLU激活函数，最后一层使用Tanh激活函数，估计A的回归网络与解码器的激活函数配置相同，ReLU和Tanh数学公式如式(3)、式(4)所示：

ReLU(x)＝max(0，x)    (3)，

将输入编码器网络的RGB烟雾图像记为x₀，则编码器网络的运算过程如下式(5)所示：

编码器输出的特征图x₃即为隐空间特征z，再输入解码器网络估计其运算过程如式(6)所示：

其中，H_i(x)表示对特征图x最近邻上采样i倍，[x_i；x_j]表示特征图x_i和x_j在通道维度上拼接；

将式(5)得到的隐空间特征z输入到估计A的回归网络中，其运算过程如式(7)所示：

其中表示回归网络的第i个特征图，Pool_i(x)表示步长为i、核大小为i的平均池化运算，表示将特征图平均池化到i×i的大小，所得到的估计A记作

2.根据权利要求1所述单幅图像去烟雾的方法，其特征在于，所述步骤S3进一步包括：

构建传输介质参数的金字塔网络，估计出更准确的传输介质参数具体运算过程如式(8)所示：

式中H_-i(x)表示对特征图x平均池化i倍，P_i表示1/i尺度下的特征图，当i＝0时，表示原尺度；

由式(8)得到不同尺度的特征图像后，以通道顺序进行拼接，然后分成3组，进行分组卷积运算，再通过普通的卷积，得到最终的其计算过程如式(9)所示：

式中，C[P_i；P_j]表示将P_i，P_j按通道顺序拼接，记则表示分组卷积，其中x_i表示第i层的特征图，c表示卷积输出通道数，e表示输入通道数，k表示卷积核的大小为k²，s为卷积运算的步长，p为像素填充，g为分组卷积的分组数，其中e和v都必须为g的整数倍；

将和式(7)得到的代入到式(2)，计算出清晰的图像如式(10)所示：