一种使用色彩衰减先验的图像去雾方法技术

本发明专利技术提供一种使用色彩衰减先验的图像去雾方法，包括准备RESIDE数据集的训练集和测试集，具体步骤为：使用所述训练集中的图像进行HSVC‑Net网络训练，生成训练模型；将所述训练模型保存到本地文件夹，使用所述测试集中的图像测试所述训练模型的效果，如果满意，则将该训练模型保存为满意的训练模型；将所述满意的训练模型保存到本地文件夹，使用所述满意的训练模型测试有雾图像。本发明专利技术提出HSVC‑Net的新型图像去雾网络。其中，色相校正模块利用傅里叶编码校正色相周期性特征。双域细化模块通过可变形卷积与跨模态注意力实现HSV与RGB特征交互。稀疏注意力模块融合全局稀疏注意力与局部细节补充，动态捕捉多尺度雾霾变形并抑制噪声，实现高频信息保留与色彩还原。

【技术实现步骤摘要】

本专利技术涉及图像处理的，特别是一种使用色彩衰减先验的图像去雾方法。

技术介绍

1、图像去雾作为计算机视觉领域的重要任务，旨在通过算法消除大气散射效应引起的图像退化，恢复无雾场景的清晰视觉信息。随着自动驾驶、遥感监测和安防系统等应用的快速发展，对高鲁棒性去雾技术的需求日益迫切。尽管基于深度学习的去雾方法在近年来取得显著进展，复杂雾霾分布下的色偏抑制、细节恢复不足以及跨域特征融合低效等问题仍制约着算法的性能。例如，动态光照环境中的色相突变区域(如霓虹灯场景)易引发传统失真，而过饱和区域的纹理细节恢复则受限于单一域特征提取机制。为了解决上述问题，早期的图像去雾研究主要基于物理先验模型，如暗通道先验(dcp)、颜色衰减先验(cap)[2]和雾线先验[3]，通过估计大气光与透射率实现去雾。然而，此类方法依赖于理想化的大气散射假设(如全局均匀雾浓度假设)，难以处理非均匀雾霾和复杂光照场景。例如，dcp在天空等高亮度区域易出现透射率估计偏差，导致光晕伪影和颜色失真。这些模型估计物理参数并应用公式(1)来恢复清晰图像。

2、随着深度学习的快速发展，基于卷积神本文档来自技高网...

【技术保护点】

1.一种使用色彩衰减先验的图像去雾方法，包括准备RESIDE数据集的训练集和测试集，其特征在于，还包括以下步骤：

2.如权利要求1所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述HSVC-Net网络包括基于U-Net的编码器、解码器和色相校正模块、双域细化模块以及增强的Top-K稀疏注意力。

3.如权利要求2所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述色相校正模块，通过傅里叶编码将色相周期性特征映射至频域空间，结合动态可变形卷积实现局部色相的自适应校正，解决传统卷积难以建模色相周期性的问题。

4.如权利要求3所述的使用色彩衰减先验的图像...

【技术特征摘要】

1.一种使用色彩衰减先验的图像去雾方法，包括准备reside数据集的训练集和测试集，其特征在于，还包括以下步骤：

2.如权利要求1所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述hsvc-net网络包括基于u-net的编码器、解码器和色相校正模块、双域细化模块以及增强的top-k稀疏注意力。

3.如权利要求2所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述色相校正模块，通过傅里叶编码将色相周期性特征映射至频域空间，结合动态可变形卷积实现局部色相的自适应校正，解决传统卷积难以建模色相周期性的问题。

4.如权利要求3所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述双域细化模块，通过可变形卷积与跨模态注意力实现跨色彩空间的特征交互，实现hsv与rgb空间的协同优化。

5.如权利要求4所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述增强的top-k稀疏注意力，通过可变形卷积和通道注意力动态捕捉雾霾局部形变特征并抑制噪声；其双分支设计结合全局稀疏注意力和局部细节补充，有效保留高频信息并适应多尺度雾霾分布。

6.如权利要求5所述的使用色彩衰减先验的图像去雾方法，其特征在于，所述hsvc-net首先将输入rgb图像转换为hsv...

【专利技术属性】
技术研发人员：景竑元，邵博文，张萌萌，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：