[发明专利]用于单幅图像去雾的串行注意增强UNet++去雾网络

权利要求书

1.一种用于单幅图像去雾的串行注意增强UNet++去雾网络，首先建立串行注意增强UNet++去雾网络AESUNet；然后对AESUNet进行训练，其特征是建立的AESUNet采用两个UNet++模块的串行策略；在两个UNet++模块之间建立了残差连接；在AESUNet中引入了注意力机制；

对于输入的原始模糊图像，两个串行的UNet++模块分别完全提取不同分辨率的特征，并在不同尺度上重建它们；当第一个UNet++模块的输出特征映射传递到第二个UNet++模块时，它也同时与第二个UNet++模块的输出特征残差连接，得到级联的特征映射；接着，引入注意力模块，通过学习不同通道和不同像素的不同权重，进而处理不均匀烟雾；然后，经两个卷积层将通道减少到三个，得到最终提取的特征；最后，将原始模糊图像加入到最终提取的特征通道中，得到去雾图像。

2.根据权利要求1所述的用于单幅图像去雾的串行注意增强UNet++去雾网络，其特征是所述UNet++模块中，编码器包含三组卷积层Conv及其后紧邻的批量归一化BN和ReLU激活层；解码器的结构与编码器的结构相对应；

在第二个UNet++模块的解码器输出端连接注意力模块；

在编码器中：

1.1)输入特征被下采样到一半大小；

1.2)依次经第一组和第二组的卷积层Conv、批量归一化BN和ReLU激活层提取特征；

1.3)将步骤1.1)的下采样结果添加到步骤1.2)提取特征中，交第三组卷积层Conv、批量归一化BN和ReLU激活层提取特征；

在解码器中的过程与步骤1.1)～1.3)的步骤

2.1)编码器输出特征经上采样到2倍大小；

2.2)依次经第一组和第二组的卷积层Conv、批量归一化BN和ReLU层提取特征；

2.3)将步骤2.1)的上采样结果添加到步骤2.2)提取特征中，交第三组卷积层Conv、批量归一化BN和ReLU激活层提取特征。

3.根据权利要求1所述的用于单幅图像去雾的串行注意增强UNet++去雾网络，其特征是所述注意力模块包括通道注意模块和空间注意模块；

在通道注意模块中：

首先，采用自适应平均池操作来获得每个通道的原始权重；通过自适应均值池运算，对于H*W*C的特征图，提取一个大小为1*1*C的特征向量，该特征向量每个值是对应特征图中所有像素值的平均值；

然后，将原始权重发送到由卷积层、ReLU激活函数、另一卷积层和Sigmoid激活函数组成的学习模块；

最后，将学习到的特征权重按通道相乘到输入特征中，得到融合了通道注意的特征图，使不同通道对烟雾有不同程度的关注；

在通道注意模块之后，使用空间注意模块来测量对特征图不同位置的注意程度；

在空间注意模块中：

首先，在融合了通道注意的特征图上沿通道轴执行最大池化和平均池化操作；从H*W*C的原始特征图中获得两个H*W*1的空间注意图；

接着，使用卷积层和Sigmoid激活函数来学习整个图像中的雾度分布；

最后，将空间注意图按像素级乘以输入特征。

4.根据权利要求1所述的用于单幅图像去雾的串行注意增强UNet++去雾网络，其特征是在对AESUNet进行训练中，损失函数L_total是由重建损失函数L_r和感知损失函数L_p组成：

L_total＝αL_r+βL_p

参数α、β是相应损失函数的损失权重；

重建损失函数L_r测量真实参考图像和对应图像之间的平均绝对误差MAE即L₁损失；重建损失函数L_r：

其中I_i是输入模糊图像；G(·)代表去雾网络的操作；J_i代表真实参考图像，也就是对应的无雾图像；

感知损失函数L_p用于测量特征空间中的感知相似性并计算均方误差，即L₂损失；感知损失函数L_p：

vgg(·)指预训练VGG16网络。