一种基于密集特征融合的有雾图像语义分割方法技术

本发明专利技术提出了一个基于U型卷积神经网络模型的雾天图像语义分割方法，通过密集特征融合方法和注意力机制，使网络在有雾的图像上可以更好地提取目标特征，从而完成对雾天图像的语义分割。本发明专利技术设计U型网络来结合密集特征融合和注意力机制方法，有效的对有雾图像完成雾噪声的抑制与语义特征的分割。本发明专利技术适用于场景广泛，例如雾天的自动驾驶、人机交互和监控探查等实际应用场景。探查等实际应用场景。探查等实际应用场景。

【技术实现步骤摘要】
一种基于密集特征融合的有雾图像语义分割方法


[0001]本专利技术属于图像处理分割
，尤其涉及一种在U型网络架构的基础上利用密集特征融合技术和注意力机制提取雾天图像特征的语义分割方法。

技术介绍

[0002]雾天图像恢复在计算机视觉的图像增强领域也是一个重要的研究问题。传统的去雾方法大多基于大气散射模型理论，大气散射模型将雾天场景看做是光被空气中的微粒散射形成的，其模型主要由传输图、全局大气光等参数组成，通过求解精确的传输图获得清晰图像。何凯明提出暗通道先验算法来估算大气散射模型中的透射率，但对于一些特定图像(含有白色景物和天空区域等)失效，在大气散射模型失效时也同时失效。随着深度学习的兴起，基于卷积神经网络的图像去雾模型在近年来也被广泛研究。Cai等人提出了基于深度学习架构的去雾算法DehazeNet。DehazeNet通过设计深度学习架构来学习雾图与传输图之间的映射关系，结合大气散射模型与暗通道先验等多种先验原理，实现了较为轻量级的图像去雾。Ren等人提出了一种多尺度卷积神经网络去雾模型，作者运用大气散射模型生成的雾图进行训练，使用粗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于密集特征融合的有雾图像语义分割方法，其特征在于，包括如下步骤：步骤1，获取有雾图像的训练数据集；步骤2：构建密集特征融合的雾天图像语义分割网络模型；步骤3：设置雾天图像语义分割网络的损失函数；步骤4，利用步骤1中的数据集对步骤2中构建的网络模型进行训练，获得训练好的雾天图像语义分割网络模型参数；步骤5：将待分割的雾天图像输入到训练好模型参数的网络模型中，输出雾天图像的分割结果图。2.根据权利要求1所述一种基于密集特征融合的有雾图像语义分割方法，其特征在于，步骤1中，将有雾图像和边界真值图像的训练集以及验证集，并进行预处理。3.根据权利要求1所述一种基于密集特征融合的有雾图像语义分割方法，其特征在于，步骤2中，所述密集特征融合的雾天图像语义分割网络模型包括编码器、跳连接模块、残差组模块和解码器；所述编码器分为四个阶段，包括依次连接的编码器第一阶段、编码器第二阶段、编码器第三阶段和编码器第四阶段；所述解码器分为四个阶段，包括依次连接的解码器第一阶段、解码器第二阶段、解码器第三阶段和解码器第四阶段；编码器第一阶段与解码器第四阶段之间、编码器第二阶段与解码器第三阶段之间、编码器第三阶段与解码器第二阶段之间、分别通过跳连接模块连接；编码器第四阶段经过两个残差组模块后与解码器第一阶段连接；所述残差组模块包括三个残差结构连接而成。4.根据权利要求3所述一种基于密集特征融合的有雾图像语义分割方法，其特征在于，所述编码器第一阶段包括一个卷积层和一个残差组模块，卷积层后还有一个ReLU激活层，输入有雾图像经卷积层和ReLU激活层后，提取浅层特征，再送入残差组模块进一步特征提取，再经过步长为2的卷积层下采样后送入编码器的第二阶段；编码器第二阶段和第三阶段均包括依次连接的密集特征融合模块DFF
‑
block、残差组模块，再经过步长为2的卷积层下采样后送入编码器的下一个阶段；编码器第四阶段包括依次连接的残差组模块和密集特征融合模块；特征图在经过第四阶段的密集特征融合模块后获取深层特征，再经过底层两个残差组模块将深层特征传入到解码器第一阶段；编码器中每个阶段DFF
‑
block输出直接连接到以后编码器所有阶段的DFF
‑
block输入，以进行特征融合；同时编码器第一、第二、第三个阶段的残差组模块输出，传入对应的跳连接模块中。5.根据权利要求3所述一种基于密集特征融合的有雾图像语义分割方法，其特征在于，所述跳连接模块包括特征过渡模块；所述特征过渡模块包括有两个卷积层，第一个卷积层后是ReLU激活函数，第二个卷积层之后是sigmoid激活函数，再与输入特征逐像素相...

【专利技术属性】
技术研发人员：高亚杰，葛琦，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：