[发明专利]基于贝叶斯卷积神经网络的图像去雾方法及存储介质

权利要求书

1.一种基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，包括：

步骤S1、获取RESIDE数据集，采用所述RESIDE数据集中的ITS数据集作为训练集，SOTS数据集作为测试集；

所述ITS数据集为室内雾霾图像数据集，包含n张清晰图像和10*n张雾霾图像；

所述SOTS数据集包括室内雾霾图像数据集和室外雾霾图像数据集，所述室内雾霾图像数据集包含m张清晰图像和10*m张雾霾图像；所述室外雾霾图像数据集包含m₁张清晰图像和与之对应的m₁张雾霾图像；

步骤S2、将所述训练集输入至贝叶斯卷积神经网络内，对所述贝叶斯卷积神经网络进行训练得到最优模型；

所述步骤S2包括：对所述贝叶斯卷积神经网络建模：

假设所述贝叶斯卷积神经网络的网络参数为W，p(W)是参数的先验分布，给定数据集D＝{(X,Y)}，这里X是输入数据，Y是标签数据；所述贝叶斯卷积神经网络给出以下分布：

P(Y*|X*,D)＝∫P(Y*|X*,W)P(W|D)dW

根据贝叶斯理论，后验概率P(W|D)表示如下：

式中，P(W|D)是后验分布，P(D|W)是似然函数，P(D)是边缘似然；

用概率分布q(ω|θ)来近似表示后验概率p(W|D)；

其中θ＝(μ,σ)，θ表示均值μ，标准差为σ的集合，ω表示权重；第i组数据的权重ω_i从正态分布(μ_i,σ_i)中采样，i表示第i组数据，μ_i表示第i组数据的均值，σ_i表示第i组数据的标准差；

通过KL散度优化所述后验分布P(W|D)和概率分布q(ω|θ)的距离θ*：

式中，由于P(D)是常数不取决于θ在推导中忽略不计，q(ω|θ)表示给定正态分布的参数后权重参数的分布，P(D|ω)表示给定网络参数后观测数据的似然，P(ω)表示权重的先验，这部分作为贝叶斯卷积神经网络模型的正则化；E_q(ω|θ)表示具有概率密度函数q(ω|θ)的期望；

采用公式L来表示变分下界ELBO如下：

式中，L表示变分下界；D＝{(x,y)}，q(ω_i|θ_i)表示给定正态分布的参数后权重参数的分布，P(ω_i)表示第i组数据的权重ω_i的先验分布，i表示第i组数据，P(y_j|ω,x_j)表示概率密度函数，其中x_j，y_j表示集合D中第j组输入数据；

ω_i＝μ_i+σ_i×ε_i

式中，ε_i～N(0,1)，ε_i表示第i组数据的超参数，于是，用ε代替ω后，对期望E_q(ω|θ)求导：

选取多个不同的ε～N(0,1)，求取的平均值，来近似KL散度对θ的求导；

对σ进行重采样，令σ＝log(1+e^ρ)，式中，e^ρ表示e为底数，ρ为实数变量的指数函数；

令上述θ＝(μ,σ)；

所述贝叶斯卷积神经网络的建模将所述贝叶斯卷积神经网络模型所有参数的权重集合W采用概率分布的形式进行表示；

所述贝叶斯卷积神经网络模型的损失函数loss如下：

loss＝MSE+β*KL，

其中，MSE为均方误差，KL表示归一化后的KL散度，M为训练集样本个数，i为迭代次数；

步骤S3、将所述测试集输入至所述最优模型，采用所述最优模型对所述测试集进行端对端的去雾处理，并输出去雾图像。

2.如权利要求1所述的基于贝叶斯卷积神经网络的图像去雾方法，其特征在于，

所述贝叶斯卷积神经网络包括3个编码层、18个残差块和3个解码层；每一所述编码层和每一所述解码层结构相同，每一所述编码层包含一层卷积和一层激活函数层，每一所述残差块包含两层卷积和一个激活函数层，其中所述激活函数层中激活函数采用PReLU。