[发明专利]一种基于多尺度稠密连接网络的图像去雾方法

权利要求书

1.一种基于多尺度稠密连接网络的图像去雾方法，其特征在于：其包括如下步骤：

步骤1，将单张有雾图像I(x)进行预处理后，并将预处理后得到的图像I(x⁴)作为模型的输入数据；

所述步骤1具体包括以下步骤：

步骤1.1，图像均衡化：将单张有雾图像I(x)通过基于对比度限制的自适应直方图均衡化方法进行图像预处理，得到图像I(x¹)；

步骤1.2，图像归一化：将预处理后的有雾图像I(x¹)的每个像素值除以255，使得每一个像素介于[0，1]之间，得到图像I(x²)；

步骤1.3，图像负值化：将归一化处理后的有雾图像I(x²)的每个像素值都乘以-1，使得每个像素介于[-1，0]之间，得到图像I(x³)；

步骤1.4，图像正值化：将负值化处理后的有雾图像I(x³)的每个像素都加上1，使得每个像素介于[0，1]之间，得到图像I(x⁴)；

步骤2，将预处理后得到的图像I(x⁴)分别执行初始阶段、多尺度卷积层计算阶段、多尺度卷积特征混合计算阶段、变量带入公式计算阶段，获得一幅其对应的去雾处理后的图像；

所述步骤2具体包括以下步骤：

步骤2.1，初始阶段：输入的预处理后得到的图像I(x⁴)进行卷积运算和激活函数运算得到其对应的第1层输出结果F(I(x⁴))，其计算公式是：

F(I(x⁴))＝max(W*I(x⁴)+b，0) (1)

其中W和b分别是第一层网络的卷积权值参数和偏置参数；

步骤2.2，多尺度卷积层计算阶段：将把初始阶段提取的卷积特征输入到由三种不同大小卷积核组成的卷积层组群，卷积层组群由多个i卷积层组构成，即各i卷积层组由3个卷积核组成且该组中的卷积核都具有相同大小，但不同卷积层组之间的卷积核大小不同；具体地，将初始阶段的结果F(I(x⁴))分别输入各i卷积层组，同组中第1个卷积层输出的结果同第2个卷积层输出的结果堆叠作为第3个卷积层的输入并执行卷积操作，其计算公式是：

其中和分别是各i卷积层组的第1个、第2个和第3个卷积层的卷积权值参数，和分别是各i卷积层组的第1个、第2个和第3个卷积层的偏置参数；和分别是各i卷积层组的第1个、第2个和第3个卷积层的输出结果；

步骤2.3，多尺度卷积特征混合阶段：特征混合阶段由1次特征堆叠操作、2次激活函数运算和2次卷积运算组成，其计算公式是：

其中，W₄和W₅分别是多尺度卷积特征混合阶段的第1个和第2个卷积层的卷积权值参数，b₄和b₅分别是多尺度卷积特征混合阶段的第1个和第2个卷积层的偏置参数，F₅(I(x))是卷积神经网络的输出；

步骤3，去雾区域计算阶段：基于Retinex求解推导去雾计算公式：

其中，ε为调节因子，I(x)为有雾的图像，D(X)为去雾处理后的图像；

步骤4，将去雾处理后的图像与无雾图像进行比较，计算两幅图像之间的欧式距离；

步骤5，基于计算的欧式距离不断更新并优化获得最优的卷积权值参数和偏置参数；

将去雾处理后的图像D(X)与无雾图像J(x)进行比较时没有获得预先设定的去雾效果，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数，再执行步骤2-5；

将去雾处理后的图像D(X)与无雾图像J(x)进行比较时已经获得预先设定的去雾效果时，则停止反向传播，并最终求得步骤2所获得的卷积权值参数和偏置参数。

2.根据权利要求1所述的一种基于多尺度稠密连接网络的图像去雾方法，其特征在于：步骤2.2中三个卷积层组的卷积核大小分别为3x3、5x5和7x7，即i＝3、5、7。

3.根据权利要求1所述的一种基于多尺度稠密连接网络的图像去雾方法，其特征在于：步骤3中调节因子ε取值为ε＝0.0001。