【技术实现步骤摘要】
本专利技术涉及图像处理，特别是一种基于xception融合特征金字塔的图像去雾方法。
技术介绍
1、在雾天环境中，由于大气中存在随机介质,如悬浮颗粒、雾、霾等,光从物体表面反射到达相机的过程会发生散射，使得光偏离了原来的传播路径而衰减，从而产生有雾图像。有雾图像具有低可见度、色彩暗淡和低对比度等特征。
2、目前，图像去雾的主流方法可分为三类，图像增强、物理模型去雾和深度学习模型去雾。其中图像增强方法为早期采用的有雾图像处理方法，通过提高图像对比度来达到一定的去雾效果。这类方法不考虑图像的雾化原理，去雾效果一般，容易出现过渡增强或细节丢失等问题，代表方法有直方图均衡化、小波变换、retienx方法等。物理模型去雾方法以图像雾化原理为背景，利用统计先验知识，估计模型中景深、透射率等物理量，将有雾图像清晰化问题转换为数学建模问题。随着计算机硬件系统的逐步完善，神经网络对于特征提取的高效性得以显现，于是基于深度学习模型的去雾方法日益发展起来。但当前的基于神经网络的图像去雾方法存在以下问题：网络参数量大、图像去雾后精度差以及边缘还原度差。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种基于xception融合特征金字塔的图像去雾方法，从而更好地保留图像的细节和结构，提高图像去雾的效果。
2、技术方案：本专利技术所述的一种基于xception融合特征金字塔的图像去雾方法，包括以下步骤：
3、步骤1、选取reside图像去雾数据集，对训练集中的图像
4、步骤2、选取xception网络作为基准模型，融合se注意力机制和特征金字塔，从而搭建出新型网络模型；
5、步骤2.1、在xception网络中融合se注意力机制以及特征金字塔；构建主干网络，卷积核大小全部为3*3；主干网络分为入口流、中间流和出口流；对于输入流，采用两层卷积和通道标准化操作，使用不同的通道数和步幅，将输入图像进行逐级下采样以提取图像的低层次特征；对于中间流，由九个相同的卷积层组成，这是网络的核心组件，注意力机制块同样集成在每个卷积块的深度可分离卷积层的前一层，经过九次卷积，更有效地提取图像更高级别的特征，并且具有自适应的通道注意力机制；通过多个连续的seblock的堆叠，可以逐渐增加感受野并改进特征表达能力。对于输出流，可看作成三个卷积块和标准化操作组成的输出层，该层将最后提取到的特征图映射到与目标图像的通道数相匹配的输出通道数，用于生成最终的预测结果；
6、步骤2.2、构建特征金字塔：利用标准卷积(conv2d)和上采样(upsampling2d)完成不同大小特征图的融合及特征信息的输出；每次的输出特征图结果进行卷积层的拼接，结构以减小输出特征图的下采样倍数，增大输出特征图的尺度；该预测结构具有自上而下的运算逻辑，通过与特征提取网络卷积层信息进行横向拼接，构建3个目标检测通道，分别进行不同尺度的有雾图像进行分析，提高对有雾目标的识别能力；
7、步骤2.3、se注意力机制：将xception中卷积层与se注意力机制相结合。通常，通道注意力块侧重于每个通道之间相关特征的全局关联。通道注意力块旨在增强代表性要素的位置权重在图像去雾任务中进行正面特征图的提升，抑制负面特征图。而卷积提取特征是非常重要的研究点。注意力机制可对特征进行校正，校正后的特征可保留有价值的特征，剔除没价值的特征。通道注意力模块的计算表示为：
8、mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f)))
9、＝σ(w1(w0(favgc))+w1(w0(fmaxc))) (1)
10、其中，f表示输入的特征图，avgpool(f)和(maxpool(f))分别表示输入特征图f的平均池化和最大池化结果；σ表示sigmiod非线性激活函数；mlp表示多层感知器，它由一个线性变换和一个非线性激活函数组成；w0和w1是分别表示平均池化和最大池化要素的mlp权重；favgc和fmaxc分别表示avgpool(f)和(maxpool(f))经过全连接层的结果；
11、步骤2.4、将se注意力机制块集成到入口流和中间流的最后一个深度可分离卷积层之前。这样做可以增强每个卷积块的特征表示能力，并使整个xception网络具有更强的表达能力。对于输入流，采用两层卷积和通道标准化操作，使用不同的通道数和步幅，将输入图像进行逐级下采样以提取图像的低层次特征；得到的特征图再通过特征金字塔整合不同分辨率的特征图，同时seblock模块增强对特征的筛选，最后经过上采样和特征融合操作后，得到最终的去雾结果图；
12、步骤2.5、由于计算机处理能力的限制，一般不是将所有数据同时送入网络中进行训练，而是分批次对所有数据进行输入。使用批归一化将卷积层的每个批次输出归一化到均值为0，标准差为1的分布，可以加速reside模型训练泛化能力，同时，批归一化层加快网络的训练和收敛的速度，控制梯度爆炸防止梯度消失以及防止过拟合。因此本专利技术在所有卷积层后都连接批量归一化层；每个卷积层输出结果特征图后，经过bn层进行批归一化处理：
13、均值计算公式为：
14、标准差计算公式为：
15、归一化处理公式为：
16、其中x表示输入图像的大小，m表示输入批样本总量，ε为偏移量。
17、步骤3、将图像分为训练集和测试集，将训练集中图像输入网络进行训练；所述的将图像分为训练集和测试集采用留出法，直接将数据集划分为两个互斥的集合，其中一个集合作为训练集，留下的集合作为测试集。即：假设包含1000个样本，采取7/3分样，将其划分为包含700个训练集样本，包含300个测试集样本，每个样本包括清晰图像和对应有雾图像。
18、步骤4、设置网络模型超参数，选择均误方差和边缘损失两种损失函数对训练集中图像进行训练，得到优化完成的图像去雾模型；
19、所述步骤4具体为：均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注图像细节结构，两种损失函数协作指导去雾模型达去雾性能；均方误差和边缘损失具体为：
20、
21、其中，lmse表示均方误差；c、h和w分别表示图像的通道数、长和高；iclear表示清晰的图像的大小；idehazed表示图像去雾模型恢复的图像大小；
22、ledge＝||relu(conv(iclear))-relu(conv(idehazed))||1 (6)
23、其中，conv表示卷积；ledge表示边缘损失；iclear表示清晰的图像大小；idehazed表示图像去雾模型恢复的图像大小；relu表示非线性激活函数relu；relu激活函数是一个分段函数，公式是：f(x)＝max(0,x)；||1表示l1范数；
24、总的去雾模型损失函本文档来自技高网...
【技术保护点】
1.一种基于Xception融合特征金字塔的图像去雾方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于Xception融合特征金字塔的图像去雾方法，其特征在于，步骤1中所述的预处理操作包括将训练集中的图像进行翻转和对称。
3.根据权利要求1所述的一种基于Xception融合特征金字塔的图像去雾方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的一种基于Xception融合特征金字塔的图像去雾方法，其特征在于，步骤3所述的将图像分为训练集和测试集采用留出法，直接将数据集划分为两个互斥的集合，其中一个集合作为训练集，留下的集合作为测试集。
5.根据权利要求1所述的一种基于Xception融合特征金字塔的图像去雾方法，其特征在于，所述步骤4具体为：均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注图像细节结构，两种损失函数协作指导去雾模型达去雾性能；均方误差和边缘损失具体为：
6.根据权利要求1所述的一种基于Xception融合特征金字塔的图像去雾方法，其特征在于，所述步骤5具体
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于Xception融合特征金字塔的图像去雾方法。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的一种基于Xception融合特征金字塔的图像去雾方法。
...【技术特征摘要】
1.一种基于xception融合特征金字塔的图像去雾方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于xception融合特征金字塔的图像去雾方法，其特征在于，步骤1中所述的预处理操作包括将训练集中的图像进行翻转和对称。
3.根据权利要求1所述的一种基于xception融合特征金字塔的图像去雾方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的一种基于xception融合特征金字塔的图像去雾方法，其特征在于，步骤3所述的将图像分为训练集和测试集采用留出法，直接将数据集划分为两个互斥的集合，其中一个集合作为训练集，留下的集合作为测试集。
5.根据权利要求1所述的一种基于xception融合特征金字塔的图像去雾方法，其特征在于，所...
【专利技术属性】
技术研发人员：杨晟尧，沈骞，张宇翔，胡婷，刘艨霆，吴金花，臧建东，徐寅，李易，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。