[发明专利]一种单幅图像去雾方法

权利要求书

1.一种单幅图像去雾方法，其特征在于，包括如下步骤：

S1、构建去雾模块D；

S2、构建阶梯式去雾网络结构θ：将有雾图像x输入到去雾模块D得到第一梯度去雾模块D1，D1输出为较粗糙的去雾图像x1；后将x1输入到去雾模块D得到第二梯度去雾模块D2，最终D2得到较高质量的清晰无雾图像x2；

S3、设计深度损失函数L：

其中，L_n1和L_n2分别表示第n个导向滤波层前后的平均方差误差损失，α和β是一对可调整的比例参数，通过设置为不同的比例得到不同的去雾效果。

2.根据权利要求1所述的单幅图像去雾方法，其特征在于，步骤S1中，去雾模块D依次包括优化ResNet，所述ResNet为残差神经网络、轻量化U-Net，所述U-Net为U形全卷积网络、图像回归，导向滤波层以及前后监督，使得网络同时具备高性能和高效率两个特点。

3.根据权利要求2所述的单幅图像去雾方法，其特征在于，所述去雾模块优化ResNet部分，由七层组成，其中第一层是卷积层，第2层、第4层和第6层为多尺度卷积层，第3层、第5层、第7层为连接层，其中所有卷积运算都使用ReLU函数作为激活函数，所述ReLU为整流线性单元，1、2、3层，3、4、5层，5、6、7层为三个CNN的构造块，所述CNN为卷积神经网络，其中每个块包含一个快捷连接和连接层，充分保留前一层生成的特征图，并将其输入下一层；该部分主要进行结构特征提取。

4.根据权利要求2所述的单幅图像去雾方法，其特征在于，所述去雾模块轻量化U-Net部分，由八层组成，首先是由两个具有不同数量的滤波器和内核大小的卷积层组成，两个卷积层之后都跟着一个ReLU和一个最大池化及下采样操作，然后，使用具有32个内核大小为3×3的滤波器的带有ReLU的卷积层，最后，轻量化U-Net的扩展路径由两个上采样步骤组成，每个步骤包括一个去卷积和一个级联层，由级联层相应地从收缩路径降采样特征映射；在扩展路径期间，通过一系列反卷积和级联操作将特征和空间信息与来自收缩路径的高分辨率特征相结合，这种结构用于提取复杂的统计图像特征。

5.根据权利要求2所述的单幅图像去雾方法，其特征在于，所述去雾模块图像回归部分，由三层组成，用于特征提取的两个先前并行路径的特征通道转换成去杂基图像分量，两个卷积层具有3×3滤波器和32个输出通道，而最后一层是具有3×3滤波器和3个输出通道的去卷积层，以形成去杂基图像分量的RGB通道。

6.根据权利要求2所述的单幅图像去雾方法，其特征在于，所述去雾模块，导向滤波层被添加到每个去雾模块的最后进行联合训练，为了适应不同网络深度不同的感受野大小，使用不同的半径大小，第一梯度去雾模块D1为8个像素点，第二梯度去雾模块D2为16个像素点。

7.根据权利要求2所述的单幅图像去雾方法，其特征在于，所述去雾模块，在导向滤波层前后都加入监督，起到强监督的作用，让去雾模块的主体部分专注于学习去雾相关的特征信息，然后导向滤波层起到一个边缘保持的作用，共同协调促成网络更好的去雾效果。