[发明专利]一种基于双路残差卷积神经网络的图像去雾方法

权利要求书

1.一种基于双路残差卷积神经网络的图像去雾方法，其特征在于，所述方法包括：

101：基于大气散射模型使用已知景深、随机选取全局大气光和大气散射系数对采集无雾图像和深度信息进行处理建立包含成对有雾和无雾图像的训练图像集；

102：构建去雾神经网络，网络结构包含特征预提取模块、特征转换模块和图像恢复模块，

103：采用L1范数损失函数、结构相似性损失函数、图像梯度损失函数和感知损失函数的线性组合训练去雾神经网络；

104：将单幅有雾图像输入训练好的去雾神经网络，得到去雾图像，其中：

所述特征预提取模块由若干卷积层和下采样层组成；

所述特征转换模块提取的中间特征分为两个尺度，用于与双路残差卷积单元相连；

所述双路残差卷积单元由多个双路残差卷积层级联而成；

所述图像恢复模块由上采样层、通道注意力层和卷积层组成，使用Tanh作为最后一层的激活函数，生成去雾后的图像；其中：特征转换模块中的双路残差卷积单元通过对有雾图像特征的反复变换，获取不同的感受野来提取与雾有关的特征；其中：

多个级联的双路残差卷积单元有的每个双路残差卷积单元由上采样层，G模块、通道注意力层、下采样层、H模块组成；所述G模块和H模块的结构相同，所述G模块和H模块位于双路残差卷积单元内的不同位置，其中：G模块与上一个双路残差卷积单元中的G模块输出结果相加，H模块与上一个双路残差卷积单元中的H模块输出结果相加；

所述双路残差卷积单元中的G模块和H模块对第一阶段图像特征处理步骤：

所述G模块和H模块将输入图像特征X送入卷积核分别为3×3和5×5的两个卷积层，将两个卷积层分别记为和两个卷积层输出的结果相加得到中间特征M，即：

中间特征M再被输入至另外两个卷积核分别为3×3和5×5的卷积层，将两个卷积层分别记为和

将两个卷积层的输出与M和X相加得到模块的输出图像特征Y，即：

Y＝C_3×3(M)+C_5×5(M)+M+X

由G模块或H模块输出的图像特征Y之后被送入下一个双路残差卷积单元中相对应的G模块或H模块作为输入；其中，不同的双路残差卷积单元对应不同的输入特征X和输出特征Y；

第一个双路残差卷积单元的输入X为特征预提取模块输出的第一阶段特征，一个双路残差卷积单元的输出为整个特征转换模块输出的第二阶段特征。

2.根据权利要求1所述一种基于双路残差卷积神经网络的图像去雾方法，其特征在于，去雾网络采用如下步骤对训练图像集中有雾图像特征处理过程：

所述特征预提取模块通过多个卷积层对训练图像集中有雾图像特征进行提取获得第一阶段图像特征；

所述特征转换模块采用多个级联的双路残差卷积单元对第一阶段图像特征进行处理获得第二阶段图像特征；

所述图像恢复模块利用多个卷积层和通道注意力层将第二阶段图像特征进行转化获得无雾图像特征图像输出。

3.根据权利要求1所述的一种基于双路残差卷积神经网络的图像去雾方法，其特征在于，所述图像恢复模块由卷积层和通道注意力层组成，使用Tanh作为最后一层的激活函数，生成去雾后的图像，其中注意力层对第二阶段图像特征处理过程为：

输入第二阶段图像特征连续通过两层卷积核为1×1的卷积层和一个Sigmoid函数，两层卷积的卷积核的个数分别为c/k和c；

将后一个卷积层输出的特征图输入至Sigmoid函数，输出c个通道的权重系数；

再将输入特征图的每个通道与对应的权重系数相乘，相乘之后的结果输入至与该注意力层相连的下一个卷积层。