[发明专利]一种基于渐进特征融合的图像去雾方法及系统

权利要求书

1.一种基于渐进特征融合的图像去雾方法，其特征在于，包括：

获取待处理的雾霾图像；

利用第一深度卷积神经网络模型对所述待处理的雾霾图像进行一级去雾，得到样例图像；

根据所述待处理的雾霾图像和所述样例图像，基于特征提取网络模型，采用渐进特征融合方法，得到所述待处理的雾霾图像对应的融合特征；具体过程为：获取特征提取网络模型；所述特征提取网络模型包括多个卷积层；初始化迭代变量和最大迭代次数；所述迭代变量包括雾霾特征、样例特征和融合特征；所述雾霾特征的初值为将所述待处理的雾霾图像输入所述特征提取网络模型后得到的雾霾特征，所述样例特征的初值为将所述样例图像输入所述特征提取网络模型后得到的样例特征；所述融合特征的初值为所述雾霾特征的初值与所述样例特征的初值之和；获取前一次迭代得到的雾霾特征、样例特征和融合特征；利用公式得到当前迭代的雾霾特征；其中，为当前迭代得到的雾霾特征，N_u；i表示当前迭代的特征更新过程，为前一次迭代得到的雾霾特征，为前一次迭代得到的融合特征；利用公式得到当前迭代的样例特征；其中，为当前迭代得到的样例特征，为前一次迭代得到的样例特征；利用公式得到当前迭代的融合特征；其中，为当前迭代得到的融合特征，N_g；i表示当前迭代的特征合并过程；判断当前迭代次数是否达到最大迭代次数；若当前迭代次数达到最大迭代次数，将当前迭代得到的融合特征确定为所述待处理的雾霾图像对应的融合特征；若当前迭代次数未达到最大迭代次数，迭代次数加1，更新当前迭代次数，返回获取前一次迭代得到的雾霾特征、样例特征和融合特征的步骤；

利用第二深度卷积神经网络模型对所述融合特征进行二级去雾，得到清晰图像。

2.根据权利要求1所述的基于渐进特征融合的图像去雾方法，其特征在于，所述利用第一深度卷积神经网络模型对所述待处理的雾霾图像进行一级去雾，得到样例图像，具体包括：

获取第一深度卷积神经网络模型；

将所述待处理的雾霾图像输入所述第一深度卷积神经网络模型，得到第一输出图像；

利用公式得到样例图像；其中，I(x)为输入的待处理的雾霾图像，E(x)为样例图像，N_e表示第一深度卷积神经网络模型，N_e(I(x))为第一输出图像。

3.根据权利要求1所述的基于渐进特征融合的图像去雾方法，其特征在于，所述利用第二深度卷积神经网络模型对所述融合特征进行二级去雾，得到清晰图像，具体包括：

获取第二深度卷积神经网络模型；

将所述融合特征输入所述第二深度卷积神经网络模型，得到输出变量；

根据所述输出变量，利用公式进行二级去雾，得到清晰图像；其中，I(x)为待处理的雾霾图像；J(x)为清晰图像；W(x)为输出变量，W(x)＝N_d(F_fusion)，N_d表示第二深度卷积神经网络模型，F_fusion为所述待处理的雾霾图像对应的融合特征。

4.根据权利要求1所述的基于渐进特征融合的图像去雾方法，其特征在于，所述获取待处理的雾霾图像，之前还包括：

获取训练样本；

根据所述训练样本，基于自适应矩估计优化器，采用最小化代价函数对所述第一深度卷积神经网络模型、所述特征提取网络模型、所述渐进特征融合方法和所述第二深度卷积神经网络模型中的参数进行训练；

当所述代价函数收敛时，训练结束，得到训练好的所述第一深度卷积神经网络模型、所述特征提取网络模型、所述渐进特征融合方法和所述第二深度卷积神经网络模型；所述代价函数为其中，L(Θ)为代价函数，Θ表示所述第一深度卷积神经网络模型、所述特征提取网络模型、所述渐进特征融合方法和所述第二深度卷积神经网络模型中的参数，N为训练样本的数量，λ₁、λ₂和λ₃均为权重系数，Jⁱ(x)为第i个训练样本二级去雾后得到的清晰图像，Eⁱ(x)第i个训练样本一级去雾后得到的样例图像，Wⁱ(x)为第i个训练样本对应的融合特征输入第二深度卷积神经网络模型估计的输出变量，GTⁱ(x)为第i个训练样本实际的清晰图像，为梯度算子。