[发明专利]结合残差块和密集块的编码器-解码器网络图像去雾方法

权利要求书

1.一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，首先使用深度超分辨率技术，提高深度图的分辨率，其次以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理，然后通过研究主流的CNN技术，设计结合残差块和密集块的编码器-解码器网络，最后通过最小化整体的损失函数，训练和优化编码器-解码器网络，实现图像去雾。

2.如权利要求1所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，本发明的网络模型通过训练优化的训练集，学习到更加准确的图像特征，便于取得较为理想的去雾结果，主要包含以下几个步骤：

1）使用深度超分辨率技术，提高深度图的分辨率，完成深度图的优化处理；

2）以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理；

3）通过研究主流的CNN技术，设计结合残差块和密集块的编码器-解码器网络；

4）通过最小化整体的损失函数，训练和优化编码器-解码器网络；

5）使用编码器-解码器网络，实现图像去雾。

3.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤1）通过使用深度超分辨率技术，提高深度图的分辨率，完成深度图的优化处理，为后续优化训练集做好准备工作。

4.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤2），以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理。

5.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤3）通过结合残差块和密集块，设计编码器-解码器网络，分为以下几个步骤：

3-1）通过研究主流的CNN技术，设计整体的网络模型；

3-2）设计Residual block结构，提高整个网络的信息流通；

3-3）设计Dense block结构，降低信息流在网络训练中的损失。

6.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤4）使用均方误差（MSE）和结构相似性（SSIM）损失，作为整体的损失函数，并且通过最小化损失函数，对提出的网络模型进行训练和优化。

7.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤5），提出的网络模型首先使用步骤2）中得到的数据集作为优化的训练集，其次通过步骤3）搭建编码器-解码器网络，然后通过步骤4）最小化整体的损失函数，不断地训练和优化网络模型，最后实现图像去雾。