[发明专利]基于无监督权重深度模型的偏振图像去雾方法及装置

权利要求书

1.一种基于无监督权重深度模型的偏振图像去雾方法，其特征在于，包括以下步骤：

获取微偏振阵列图像，根据所述微偏振阵列图像得到第一图像和第二图像；

构建无监督权重深度模型并进行训练，得到经训练的所述无监督权重深度模型，所述无监督权重深度模型包括编码层、融合层、解码层和权重测量层，所述编码层、融合层和解码层依次连接，所述编码层包括卷积层和DenseNet网络，所述第一图像和第二图像分别输入所述编码层，得到第一特征和第二特征，所述第一特征和第二特征输入所述融合层进行特征拼接，得到拼接特征，所述融合层采用残差结构将所述第一特征和第二特征进行拼接；所述拼接特征输入所述解码层，输出得到去雾后的偏振图像，所述解码层包括4个卷积层，除最后一层外，其他层选择ReLU激活函数，每个卷积层的内核为3×3；在训练过程中，所述权重测量层根据所述去雾后的偏振图像以及第一图像和第二图像进行无监督训练，所述权重测量层包括特征提取部分、信息测量部分、信息保存度部分和损失函数部分，所述第一图像和第二图像分别输入所述特征提取部分，得到第一特征图和第二特征图，所述特征提取部分采用VGG19网络进行特征提取，将所述第一图像和第二图像分别输入所述VGG19网络，并将所述VGG19网络的最大池化层之前的卷积层的输出作为所述第一特征图和第二特征图；将所述第一特征图和第二特征图分别输入所述信息测量部分，对所述第一特征图和第二特征图的梯度进行评估，得到第一评估值和第二评估值，在所述信息测量部分中，对所述第一特征图和第二特征图的梯度进行评估的公式如下：

其中，为第一特征图S_D或第二特征图S₀在所述VGG19网络中第j个最大池化层之前的卷积层的特征映射，k表示D_j通道的第k个通道的特征映射，||·||_F表示Frobenius范数，表示拉普拉斯算子，S为第一特征图S_D或第二特征图S₀，H_j表示第j个最大池化层之前的卷积层的特征映射的高度，W_j表示第j个最大池化层之前的卷积层的特征映射的宽度，得到第一评估值和第二评估值

将所述第一评估值和第二评估值输入所述信息保存度部分，得到第一权重和第二权重，在所述信息保存度部分中，使用softmax函数映射权重和得到第一权重和第二权重公式如下：

其中，c表示预定义的正常数；

在所述损失函数部分，将所述第一权重和第二权重结合所述去雾后的偏振图像分别与第一图像和第二图像之间的结构相似性计算相似性损失，将所述第一权重和第二权重结合所述去雾后的偏振图像分别与第一图像和第二图像之间的均方误差计算均方误差损失，采用以下公式计算相似性损失：

其中，θ表示网络主体的参数，D表示训练数据集，E表示对括号内部的输出进行平均，和分别表示所述去雾后的偏振图像I_f和第一图像I₁之间的结构相似性以及所述去雾后的偏振图像I_f和第二图像I₂之间的结构相似性；

同时将均方误差作为所述去雾后的偏振图像分别与第一图像和第二图像之间的强度分布约束，公式如下：

其中，和分别表示所述去雾后的偏振图像I_f和第一图像I₁之间的结构相似性值以及所述去雾后的偏振图像I_f和第二图像I₂之间的结构相似性值；

在应用中，将所述第一图像和第二图像输入经训练的所述无监督权重深度模型，经过编码层、融合层和解码层，得到去雾后的偏振图像。