[发明专利]基于卷积神经网络的联合估计图像去雾方法

权利要求书

1.一种基于卷积神经网络的单幅图像去雾方法，包括：

1)在Caffe框架下构建由特征共享部分以及雾图大气光值估计分支和透射率估计分支组成的卷积神经网络架构，其中:

特征共享部分包括三个卷积单元，大气光值估计分支包括三个卷积层，透射率估计分支依次包括一个金字塔池化模块、一个卷积层和一个反卷积层以及两个卷积层；

每个卷积单元包括卷积层，归一化层，每个卷积层包括卷积操作以及ReLU激活函数层，每个反卷积层包括反卷积操作以及ReLU激活函数层，反卷积操作都具有相应的权值D_n，卷积操作都具有相应的权值W_n和偏置值B_n，归一化操作具有相应的缩放系数γ_n和偏移系数α_n；

2)获取一组清晰无雾图像集J_t，并对无雾图像J_t根据人为设定的大气光值A和透射率T进行人工加雾得到有雾图像集I_t，将无雾图像集J_t和有雾图像集I_t作为训练图像集；

3)将训练图像集I_t、J_t按批量大小分别平分为多个配对的图像组进行图像处理，即同时输入I_t、J_t的第一图像组训练，得到神经网络各个卷积操作的初始权值W_n和偏置值B_n和反卷积操作的权值D_n以及归一化操作的缩放系数γ_n和偏移系数α_n；

4)将权值W_n和偏置值B_n和反卷积操作的权值D_n以及缩放系数γ_n和偏移系数α_n应用至步骤1构建的卷积神经网络架构中，得到第一次参数更新后的神经网络；再将第二图像组输入至第一次参数更新后的神经网络，得到第二次参数更新后的神经网络；以此类推直至最后一组图像组输入至前一次更新后的神经网络，得到完成一次训练的神经网络；

5)再将I_t、J_t的所有图像组依次输入至完成一次训练的神经网络，得到完成两次训练的神经网络；以此类推直至所有图像组均被输入200000次，得到完成所有训练的神经网络；

6)将一幅需要去雾处理的有雾图像I_c输入至完成所有训练的神经网络，通过网络的大气光估计分支输出大气光值A_c，通过网络的透射率估计分支输出透射率T_c；

7)根据6)的结果，计算得到高质量无雾图像：J_c＝(I_c-A_c)/T_c+A_c。

2.根据权利要求1所述的方法，其特征在于：步骤1)中的金字塔池化模块，其按如下步骤对数据进行处理：

1a)将输入至模块的数据I进行0.5倍最大池化操作，再进行卷积核大小为3*3，步长为1的卷积操作，再将其与0作比较，取二者中的最大值，再进行归一化操作得到归一化处理后的数据I₁；

1b)将输入至模块的数据I进行0.25倍最大池化操作，再进行卷积核大小为5*5，步长为1的卷积操作，再将其与0作比较，二者取最大值，再进行归一化操作和反卷积核大小为2*2，步长为2的一次反卷积操作得到一次反卷积处理后的数据I₂；

1c)将输入至模块的数据I进行0.125倍最大池化操作，再进行卷积核大小为3*3，步长为1的卷积操作，再将其与0作比较，二者取最大值，再进行归一化操作和反卷积核大小为4*4，步长为4的二次反卷积操作得到二次反卷积处理后的数据I₃；

1d)将输入至模块的数据I进行0.5倍最大池化操作，得到池化操作处理后的数据I₄；

1e)将上述I₁、I₂、I₃、I₄这四个数据在第四维度上进行拼接，得到最终输出数据Q。