基于深度学习的针对真实带雾图像的去雾方法及装置制造方法及图纸

基于深度学习的针对真实带雾图像的去雾方法与装置，能够使图像恢复较高的质量和细节，并且具有实时性和泛用性。方法包括：(1)对训练集中所有图像的大小进行处理；(2)输入一个模糊图像，对其进行特征提取；(3)图像再被输入到3个跳跃连接的网络结构中；(4)利用特征注意力模块将网络输出的特征融合；(5)将特征输入到残差学习模块；(6)重复步骤(2)

【技术实现步骤摘要】
基于深度学习的针对真实带雾图像的去雾方法及装置


[0001]本专利技术涉及图像处理和深度学习的
，尤其涉及一种基于深度学习的针对真实带雾图像的去雾方法，以及基于深度学习的针对真实带雾图像的去雾装置。

技术介绍

[0002]近年来，雾霾天气持续蔓延的态势，在严重影响人们健康的同时，大气中的水滴和颗粒会将光线吸收和散射。这使得到的户外图像丢失许多真实的信息，极大降低了成像设备的成像质量，无法满足人类视觉的需求，并且给后续的视觉任务带来了很多阻碍与困难。其所导致的重大交通事故、公路交通阻断、航班延误等情况时有发生。在道路交通方面，大雾不仅给驾驶员造成视线模糊，也给道路监控带来成像干扰。在军事侦察方面，烟雾会影响指战员对战场的实时观察和战术的及时调整，云雾会限制无人机的全天候侦查和监视。在航空航天方面，雨雾影响飞行员视线并危害航班安全，雾霾影响遥感卫星的成像质量。同时，雾霾对智能视觉感知系统也造成巨大影响，其导致成像的对比度低、动态范围小、细节不清晰等，从而影响图像识别、目标检测、物体跟踪等高层次的视觉感知任务。
[0003]因此，我们需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的针对真实带雾图像的去雾方法，其特征在于：其包括以下步骤：(1)对训练集中所有图像的大小进行处理；(2)输入一个模糊图像，对其进行特征提取；(3)图像再被输入到3个跳跃连接的网络结构中；(4)利用特征注意力模块将网络输出的特征融合；(5)将特征输入到残差学习模块；(6)重复步骤(2)
‑
(5)，对训练集中的图片分批次进行训练；(7)在微调部分，用物理先验知识作为指导，训练未标记的真实带雾图像；(8)融合特征，输出恢复后的清晰图像。2.根据权利要求1所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(1)中，对图像的大小进行处理为对图像进行裁剪，得到相同大小的图像。3.根据权利要求2所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(1)中，将图像裁剪为240
×
240的图像大小。4.根据权利要求3所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(2)中输入模糊图像，首先对其进行特征提取，通道数设置为16，卷积核大小设置为3
×
3。5.根据权利要求4所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(3)中3个跳跃连接的网络结构的每个结构都由19个基本块组成，每个基本块都由1个卷积层、一个ReLU层、一个特征注意力模块组成，其中ReLU函数为公式(1)：f(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，x为上一层的输出值，当x<0时取0，当x≥0时取x。6.根据权利要求5所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(4)中特征注意力模块，其通道注意力部分卷积核大小设置为1
×
1。7.根据权利要求6所述的基于深度学习的针对真实带雾图像的去雾方法，其特征在于：所述步骤(4)中特征注意力模块包括：通道注意力模块CA和特征...

【专利技术属性】
技术研发人员：刘晓梅，张典，柳华，马小娟，
申请(专利权)人：海南大学，
类型：发明
国别省市：