[发明专利]一种利用端到端神经网络的单幅图像去雾方法

权利要求书

1.一种利用端到端神经网络的单幅图像去雾方法，其特征在于，包括如下步骤：

S1、构建网格注意力网络模型：输入为待去雾图像，待去雾图像被送入一个浅层特征提取卷积层，然后被送入GridNet模块和Attention模块，最后将特征传递给重构部分和全局残差学习结构，输出清晰的图像；

S2、模型训练：采用平滑L₁损失函数：

在数据集RESIDE进行训练；

其中，N指图像像素总数，和J_i(x)指第i个通道上x出的像素值，指经过网络计算得到的值，J_i(x)表示真实值，

2.根据权利要求1所述的利用端到端神经网络的单幅图像去雾方法，其特征在于，步骤S1中，GridNet模块有四行六列，每一行对应一个不同的特征尺度，由五个基本的注意力卷积模块ABD组成，它们结合了跳跃连接和注意模块，每一列都是通过上采样和下采样块连接相邻刻度的桥；在每个上采样模块中，特征图的大小减少了2倍，而特征图的数量增加了2倍，降采样使特征的大小增加了一倍。

3.根据权利要求1或2所述的利用端到端神经网络的单幅图像去雾方法，其特征在于，GridNet模块中的注意力卷积模块ABD由局部残差学习和注意模块组成，局部残差学习通过跳转连接从输入特征的低频区域学习不太重要的信息。

4.根据权利要求1所述的利用端到端神经网络的单幅图像去雾方法，其特征在于，步骤S1的Attention模块中，首先采用全局平均池化：

其中，H_p表示全局平均池化函数，X_c(i,j)表示输入值的c通道位于(i,j)处的值；

然后通过卷积层、ReLU、卷积层和sigmoid激活函数处理之后得到SA₁，

SA₁＝σ(Conv(δ(Conv(g_c))))，

其中，σ表示sigmoid函数，δ表示ReLU函数；

将输入F_c与SA₁相乘得到

然后通过卷积层、ReLU、卷积层和sigmoid激活函数得到：

最终输出：