[发明专利]基于传递注意力机制的非均匀雾图去雾算法

说明书

本发明涉及一种基于传递注意力机制的非均匀雾图去雾算法，包括如下步骤：S1、稀疏平滑空洞卷积特征提取；S2、基于传递注意力机制的非均匀雾霾特征处理；S3、损失函数；本发明提供的非均匀雾图去雾算法，针对真实非均匀雾霾图像，在注意力机制的引导下，直接构建降质图像与清晰图像之间端到端的映射关系，对非均匀有雾图像和合成的有雾图像均有良好的去雾效果，获得的复原图像有较好的细节信息，色彩更加自然。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于传递注意力机制的非均匀雾图去雾算法。

背景技术

雾天条件下，空气中悬浮的各种微粒对光线进行吸收和散射，导致采集到的户外图像表现出对比度降低，颜色失真，边缘模糊等现象，在此类环境下获取的雾霾图像既不利于图像的视觉观察，也阻碍了人工智能领域中以图像为主要处理对象的计算机视觉任务的进行，因此，研究雾霾图像的降质原理，提高其清晰化程度具有重要的研究意义和应用前景。

早期的图像去雾算法主要采用图像增强的手段来改善图像的对比度、清晰度，提升图像的视觉效果，如直方图均衡化、Retinex算法、同态滤波等。基于图像增强的方法可以有效提高图像对比度，然而，由于没有分析雾霾图像的退化机理，也未对成像时大气的状况加以考虑，容易导致复原图像出现色彩失真、部分细节丢失等现象。

Narasimhan等人通过分析雾霾降质图像的形成机制，将引起图像退化的大气介质散射因素和吸收因素引入成像模型，成功地提出大气散射模型。目前，基于大气散射模型的图像去雾方法是该领域的主流方法之一，依据其发展的脉络可以划分为两类：基于先验知识的图像去雾算法和基于深度学习的图像去雾算法。大气散射模型是一个严重的不适定问题，所以基于先验知识的图像去雾算法常常通过一些额外的先验信息或约束条件来辅助估计模型中的参数，即大气光值和透射图，然后再反演清晰图像。如He等人提出暗通道先验(DCP)信息约束大气散射模型，能够准确预测雾霾图像的透射率，有效地消除局部区域的雾霾。然而，算法对处理明亮区域或类似图像中天空区域具有一定的局限性，Zhu等人提出颜色衰减先验(CAP)模型，通过监督学习的方式训练线性模型的参数，依次估计场景深度信息和透射图，该方法可以复原出较多的细节信息，但仍存在一定程度的雾残留。

上述将图像先验信息与大气散射模型相结合的去雾方法取得了显著进展，但由于先验信息的应用具有一定的局限性，另外，先验信息的合理性和普适性也会较大程度影响参数的估算及最终的去雾效果。近年来，深度学习在计算机视觉领域受到广泛关注。大量学者将深度学习应用到图像去雾算法中并取得了不错的效果，但仍存在一些不足之处，如对非均匀雾霾图像的去雾效果并不理想，易出现雾霾残留的问题。

发明内容

本发明的目的是为了解决背景技术中所提出的问题，而提供基于传递注意力机制的非均匀雾图去雾算法，针对真实非均匀雾霾图像，在注意力机制的引导下，直接构建降质图像与清晰图像之间端到端的映射关系，对非均匀有雾图像和合成的有雾图像均有良好的去雾效果，获得的复原图像有较好的细节信息，色彩更加自然。

本发明的目的是这样实现的：

基于传递注意力机制的非均匀雾图去雾算法，包括如下步骤：

S1、稀疏平滑空洞卷积特征提取，采用普通卷积与平滑空洞卷积交错的形式构建稀疏块，提取图像中不同级别的特征信息；

S2、基于传递注意力机制的非均匀雾霾特征处理，在去雾网络中融入注意力机制，分别学习不同级别特征图中的通道注意力特征图与像素注意力特征图，赋予每个通道不同的权重值并使网络更加关注浓雾区域和高频区域，自适应地学习特征图在不同的权值下的特征映射，然后将注意力模块中的通道注意力特征图与像素注意力特征图分别向后传递，使注意力特征图中的权重信息在各个注意力块之间流动并相互配合，充分发挥注意力机制的优势；

S3、损失函数，在网络训练过程中，使用smooth L1loss作为损失函数，用来计算输出的输出去雾图像与对应真实无雾图像之间的差值。