申请/专利权人：西北大学

申请日：2021-01-15

公开（公告）日：2024-02-27

公开（公告）号：CN114764752B

主分类号：G06T5/73

分类号：G06T5/73;G06T5/60;G06T5/10;G06V10/77;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.02.27#授权;2022.08.05#实质审查的生效;2022.07.19#公开

摘要：本发明公布了一种基于深度学习的夜晚影像去雾算法，这种端到端的网络结构更加适合工程实用化。夜晚图像的光照不均、色偏严重和亮度较低等特点，采用传统基于大气散射模型的去雾算法并不适用，本发明重点依托深度学习强大的非线性拟合能力，将U‑Net网络与双树复小波变换相结合，在网络模型中融入更多的残差结构以提取夜晚有雾图像的结构和纹理信息，并将注意力模块引入网络以有效量化特征层之间的相对重要性。通过自行构建的“有雾‑无雾”夜晚数据集，根据“全局‑局部”损失函数计算误差，并基于误差反向传播调整网络权重，多次迭代训练最终得到一个训练完备的夜晚图像去雾网络模型。所提方法可抑制去雾任务中频繁上、下采样所带来的网状伪影问题。

主权项：1.一种基于深度学习的夜晚影像去雾算法，其特征在于，所述方法包括以下步骤：步骤一：收集夜晚无雾清晰影像数据，然后对该影像数据进行场景深度比例估计，基于深度比例图对夜晚无雾清晰图像进行加雾处理，建立夜晚“有雾-无雾”影像数据集；步骤二：先设计整体网络的编码器部分，夜晚有雾图像经过编码器中的三个双树复小波变换组，可迭代提取多尺度特征，再基于残差块设计底层网络结构，网络中的卷积模块由卷积层和线性整流函数ReLU组成，编码器输出的特征进行一次双树复小波分解输入到底层网络结构残差块中，进一步对编码器输出进行特征提取；步骤三：设计整体网络的解码器部分，加入通道注意力模块，将底层网络特征依次通过解码器的三个双树复小波逆变换组，每个组与编码器模块中的组进行对应特征级联，并在第三个组中融入编码器中的低层次特征输入通道注意力模块获得的通道注意力特征图，进行特征融合复用与图像去雾重构；步骤四：设计深度网络模型的损失函数，在采用常用的均方误差和最小绝对值偏差L1范数作为全局损失函数基础上，引入局部采样损失，从而在计算误差时能同时关注于图像局部误差，使输出图像在整体上和局部上都更加接近原始清晰无雾图像；步骤五：使用夜晚“有雾-无雾”合成数据集对设计好的整体网络模型进行训练，输入有雾图像、输出去雾恢复后的图像，损失函数同时在整体与局部层面上计算网络输出图像与无雾清晰图像的误差，通过反向传播误差进行网络权重的调整，多次迭代训练至达到设置的训练次数，网络模型训练完成；训练完成后，对网络模型进行测试，输入有雾图像，最终获得网络输出的去雾清晰图像。

全文数据：

权利要求：

百度查询： 西北大学 一种基于深度学习的夜晚影像去雾算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD