[发明专利]一种基于深度学习的雾天能见度预测方法，存储装置及服务器

权利要求书

1.一种基于深度学习的雾天能见度预测方法，该方法包括以下步骤：

S1：通过图像采集设备获取雾天图像，并对雾天图像进行预处理；

S2：对预处理后的雾天图像使用暗通道先验方法得到去雾图像；

S3：搭建雾气图像生成和雾天能见度预测神经网络；

S4：对雾气图像生成分支和雾天能见度预测分支分别进行训练；

S5：将生成分支与预测分支合并进行训练；

S6：将待测图像输入到训练后的神经网络中，得到图像的雾天能见度数据。

2.根据权利要求1所述的一种基于深度学习的雾天能见度预测方法，其特征在于，步骤S2中，对于图像中左上与右下浮于画面上方的时间显示区域及位置信息显示区域，使用相邻无字符的矩形区域进行遮盖。

3.根据权利要求1所述的一种基于深度学习的雾天能见度预测方法，其特征在于S3中，所述能见度预测神经网络由生成分支和预测分支组成；生成分支由VGG16网络模型的前十层与一个反卷积层组成，该分支在骨架网络输出第一层特征，第一层特征分辨率为输入图像的1/8；对第一层特征应用骨架网络得到第二层特征，第二层特征分辨率为输入图像的1/16；再对第二层特征应用卷积核大小为4，步长为2的反卷积，作为轻量级生成分支的解码端，得到第三层特征，第三层特征分辨率为输入图像的1/8；最后对第三层特征作1x1卷积，生成雾气图片H^e；

预测分支将5个特征图融合作为输入，输出为5个雾天能见度预测，包括：

自底向上的特征提取网络：{C1，C3}及{C2，C4}各自处于相同的特征阶段，将相同特征阶段的特征各自经过1x1的卷积，并按元素相加随后将特征传入中部分支，其中C1为经过VGG网络卷积之后生成的特征，C2和C4为C1经过一个最大池化层后生成的特征，C3为对C2特征应用卷积核大小为4，步长为2的反卷积后生成的特征；

自顶向下的中间融合结构：其中C5为C4经过一个最大池化层后生成的特征，P5特征图由C5特征经过3x3的卷积直接得到，P4与P3特征图经由经过1x1卷积后的{C_i，C_i-2}特征与上采样后的P_i-1特征按元素相加后，再经由一个3x3的卷积得到；

横向连接与卷积融合结构：对中间结构的特征{P3，P4，P5}各自应用3x3的卷积，同时融合后的底层特征需再经过一次3x3的卷积，并应用步长为2的最大池化，使中间结构的特征分辨率变为原本的1/2，再向上融合，生成特征图{F3，F4，F5}进行能见度估计。

4.根据权利要求1所述的生成分支和预测分支分别训练的方法，其特征在于，步骤s5包括：

S51：使用生成分支训练生成雾气图像，在该任务中使用均方误差MSE衡量雾气估计图与求得的真实雾气图之间像素的欧氏距离的总和；

S52：使用预测分支对雾天能见度进行预测，将5个特征图融合作为输入，输出为5个雾天能见度等级分类,该任务中使用交叉熵损失函数L^CCE评估能见度分类，训练得到的概率分布与真实分布之间的差异情况。

5.根据权利要求1所述的一种基于深度学习的雾天能见度预测方法，其特征在于，将在预测分支中使用交叉熵损失函数L^CCE，与在生成分支中使用的均方误差MSE两个函数结合。

6.一种存储设备，其中存储有多条指令，其特征在于，所述指令适于由处理器加载并执行

S1：通过图像采集设备获取雾天图像，并对雾天图像进行预处理；

S2：对预处理后的雾天图像使用暗通道先验方法得到去雾图像；

S3：搭建雾气图像生成和雾天能见度预测神经网络；

S4：对雾气图像生成分支和雾天能见度预测分支分别进行训练；

S5：将生成分支与预测分支合并进行训练；

S6：将待测图像输入到训练后的神经网络中，得到图像的雾天能见度数据。