一种基于双路卷积神经网络的自适应融合图像去雾方法技术

本发明专利技术公开了一种基于双路卷积神经网络的自适应融合图像去雾方法。首先，利用双路的卷积神经网络分别对输入的有雾图像进行特征提取，其中，图像复原子网络中的注意力残差模块负责图像的初步复原，细节增强子网络中的细节增强模块负责构建图像的细节信息；其次，利用自适应融合模块，将两个子网络中所提取到的特征进行自适应融合，得到更加精细的特征结果；最后，引入多内容损失函数对模型进行优化，其中，像素级损失函数缩小了图像内容差异，特征级损失函数提升了复原图像的视觉效果。本发明专利技术可用于在恶劣雾霾天气下进行的目标识别、及自动驾驶等任务。自动驾驶等任务。自动驾驶等任务。

【技术实现步骤摘要】
一种基于双路卷积神经网络的自适应融合图像去雾方法


[0001]本专利技术涉及计算机视觉，图像去雾领域，具体涉及基于双路卷积神经网络的自适应融合图像去雾方法，对设计的模型进行有监督学习，实现图像去雾。

技术介绍

[0002]雾，是一种常见的大气现象。由于空气中悬浮的水滴、灰尘或其他颗粒物的散射作用，雾天获取的图像往往存在对比度下降、色彩失真及细节丢失等退化问题，进而影响后续目标识别、检测等系列任务的进行。
[0003]现有的主流图像去雾算法分为两种：基于模型先验去雾算法和基于卷积神经网络的去雾算法。前者利用各种先验知识来估计透射率和大气传输矩阵，然后基于大气散射模型进行图像去雾。后者通过学习的方式来估计大气散射模型参数，或者直接端到端的恢复出无雾的清晰图像。尽管上述的去雾算法取得了不错的效果。但仍存在以下问题：(1)不准确的参数估计将导致去雾效果不佳；(2)恢复后的去雾图像存在细节信息丢失的问题。
[0004]因此，如何对图像进行有效的去雾并且提升恢复图像的细节信息成为了该领域人员研究的热点与重点。
专利
技术实现思路

本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双路卷积神经网络的自适应融合图像去雾方法，其特征在于：包括如下步骤：步骤1：双路卷积神经网络去雾模型的构建，模型包含有两个子网络：图像复原子网络和细节增强子网络，其中包括特征注意力残差模块、细节增强模块及自适应融合模块；步骤2：利用大气散射模型构造出成对的有雾图像及无雾图像数据集，通过双路卷积神经网络分别对输入的有雾图像进行特征提取，获取得到具有不同信息的特征图；步骤3：利用自适应融合模块将来自不同子网络的特征图进行自适应融合，转换得到融合后的特征结果；步骤4：将融合特征图进行空间降维处理，输出得到原始RGB空间的去雾图像。最后，利用优化后的损失函数计算去雾图像与无雾图像的损失差异，反向传播更新模型参数，重复迭代得到最后的训练好的模型结果。2.如权利要求1所述的一种基于双路卷积神经网络的自适应融合图像去雾方法，其特征在于，使用双路卷积神经网络对有雾图像进行去雾处理，图像复原子网络负责初步去雾，细节增强子网络...

【专利技术属性】
技术研发人员：董立泉，易伟超，刘明，李世添，惠梅，赵跃进，孔令琴，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：