[发明专利]一种基于半监督的图像去雾方法

权利要求书

1.一种基于半监督的图像去雾方法，其特征在于，包括以下步骤：

步骤Step1：获取图像数据集，所述图像数据集中包含训练集和测试集，并对所述训练集进行预处理，得到合成的有雾图像和真实雾图；

步骤Step2：构建基于深度学习的图像复原模型，将预处理后提取的有雾图像输入所述图像复原模型，所述图像复原模型对有雾图像中图像内容和图像细节进行特征分离和提取，及对两种特征进行融合，实现图像特征的提取分析，得到去雾后的图像信息；

步骤Step3：利用所述图像复原模型构建半监督图像复原网络，并对所述半监督图像复原网络进行训练，得到训练好的图像复原模型；

步骤Step4：获取待复原雾图组成的原始图像集，并将所述原始图像集输入训练好的半监督图像复原网络得到最终的复原图像。

2.如权利要求1所述的基于半监督的图像去雾方法，其特征在于，所述对有雾特征图像中图像内容和图像细节进行特征分离包括：使用卷积层和图像复原模型的预训练模型将输入图像映射为高维的深度学习特征及内容-特征分离权重；对深度学习特征进行不同层次的卷积和分离操作；根据分离权重不断调整不同成分在深度特征中的占比。

3.如权利要求2所述的基于半监督的图像去雾方法，其特征在于，所述图像复原模型包括多尺度提取模块和注意力机制融合模块；所述多尺度提取模块用于提取精细尺度下的特征信息和粗尺度下的特征信息；所述注意力机制融合模块用于进行特征融合；所述多尺度提取模块包括子模块a和子模块b，所述子模块a和所述子模块b均有四个分支，并且包含有一个平均池化和一个串接层，所述串接层将对应的四个分支输出的特征图串接在一起，在每一分支的第一层多个1×1的卷积被用于改变输入图片的维度，按照从下至上和从左至右的网络结构，所述子模块a最左侧有两个3×3的卷积层，而所述子模块b中对于粗尺度特征的提取在最左侧的支路上设置了两个7×1和1×7的卷积对，在左二的支路上设置了一个1×7和7×1的卷积对，卷积对的使用减少了模型的参数量，所述平均池化的大小为3×3，所有的卷积层都紧跟着块正则化和激活函数ReLU。

4.如权利要求3所述的基于半监督的图像去雾方法，其特征在于，所述注意力机制融合模块包括三个特征融合模块，每个特征融合模块包括融合模块和注意力模块，所有的特征经过融合模块之前首先经过Conv+Sigmoid结构组成的注意力模块提取注意力特征图，每个融合模块将高层特征f1和低层特征f2通过乘法操作进行融合，使融合后的特征同时捕获高层和低层特征的共同性质，每次将融合后的特征转发到卷积层、批处理归一化层和ReLU层，得到最终的输出特征f_out，f_out＝O(F_b(f₁)*F_R(f₂),其中，O(.)、F_b和F_R分别代表由卷积层、批处理归一化层和ReLU层,然后再由下一个融合模块进行处理。

5.如权利要求1所述的基于半监督的图像去雾方法，其特征在于，所述半监督图像复原网络包括有监督网络和与所述有监督网络共享权值的无监督网络，所述有监督网络通过图像复原模型得到去雾图像，并通过有监督损失函数和训练集中合成的有雾图像对有监督网络进行参数训练，同时对权值共享的无监督网络进行参数优化，无监督网络在真实的有雾图像上进行训练。

6.如权利要求5所述的基于半监督的图像去雾方法，其特征在于，所述有监督损失函数包括均方差误差损失函数、感知损失函数和对抗损失函数；无监督损失函数包括排序损失函数。

7.如权利要求6所述的基于半监督的图像去雾方法，其特征在于，所述无监督网络在进行训练时，先通过图像复原模型将输入有雾图像恢复为清晰图像J然后对去雾图像J进行随机裁剪得到局部图像利用分类器输出大小在[0,1]之间的清晰概率,预测去雾图像J输出和局部图像的清晰度，然后利用这两种输出概率计算损失，排序损失表示为