[发明专利]一种使用高低频分解的无监督夜间图像去雾方法

权利要求书

1.一种使用高低频分解的无监督夜间图像去雾方法，其特征在于，包括：

利用导向滤波器将输入图像分解成高频图像和低频图像；

将所述输入图像与所述高频图像进行合并操作后得到第一合并图像，作为无雾图像估计网络J-net的输入，估计出所述输入图像对应的无雾图像；

将所述输入图像与所述低频图像进行合并操作后得到第二合并图像，作为透射率估计网络T-net的输入，估计出所述输入图像对应的透射图像；

利用最大值滤波器估计所述输入图像对应的大气光照图；

基于所述无雾图像、所述透射图像和所述大气光照图，采用大气散射模型重构所述输入图像；

将重构损失函数作为损失函数，并对所述无雾图像估计网络J-net和所述透射率估计网络T-net进行端到端的训练。

2.如权利要求1所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，所述利用导向滤波器将输入图像分解成高频图像和低频图像，包括：

采用所述输入图像的通道差异图作为导向滤波器中的导向图，通过低通滤波得到所述输入图像对应的低频图像，其中，所述通道差异图由所述输入图像的最大颜色通道减去最小颜色通道得到；

将所述输入图像与所述低频图像相减，得到所述输入图像对应的高频图像。

3.如权利要求2所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，通过设置导向滤波器不同的分解参数，得到多张所述高频图像和所述低频图像；

所述将所述输入图像与所述高频图像进行合并操作后得到第一合并图像，包括：

将所述输入图像与多张所述高频图像进行合并操作后得到第一合并图像；

所述将所述输入图像与所述低频图像进行合并操作后得到第二合并图像，包括：

将所述输入图像与多张所述低频图像进行合并操作后得到第二合并图像。

4.如权利要求1所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，所述无雾图像估计网络J-net采用U-net网络为架构，包括特征提取模块、多尺度空洞卷积模块和图像恢复模块；

所述特征提取模块包括交替设置的卷积层和池化层；

所述图像恢复模块包括上采样层、跳跃连接和卷积层，除最后一层卷积层外，每层卷积层后面设置BatchNorm层和Relu激活函数；

所述多尺度空洞卷积模块由多路具有不同空洞率的空洞卷积构成。

5.如权利要求1所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，所述透射率估计网络T-net是一个具有跳跃连接的自编码器；

编码器采用N个基于卷积神经网络的模块，每个模块由卷积层、下采样层、BatchNorm层和LeakyRelu激活函数构成；

解码器采用N个基于卷积神经网络的模块，每个模块由跳跃连接、上采样层、BatchNorm层、卷积层、LeakyRelu激活函数构成。

6.如权利要求1所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，所述利用最大值滤波器估计所述输入图像对应的大气光照图，包括：

对所述输入图像进行最大值滤波得到最大值滤波后的输入图像；

对最大值滤波后的输入图像进行导向滤波得到所述输入图像中的大气光照图，其中，导向滤波器的导向图为所述输入图像。

7.如权利要求1所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，所述采用大气散射模型为：

I(x)＝J*T+(1-T)*A，

其中，I(x)表示所述输入图像的去雾图像的数据矩阵，J表示所述无雾图像的数据矩阵，T表示所述透射图像的数据矩阵，A表示所述大气光照图的数据矩阵。

8.如权利要求1所述的使用高低频分解的无监督夜间图像去雾方法，其特征在于，所述重构损失函数为：

L_Rec＝‖I(x)-x‖_p，

其中x表示所述输入图像的数据矩阵，I(x)表示采用大气散射模型重构的输入图像的数据矩阵，‖.‖_p表示给定的数据矩阵的p范数。