[发明专利]一种基于多尺度多阶段神经网络的图像去雾方法及系统

权利要求书

1.一种基于多尺度多阶段神经网络的图像去雾方法，其特征在于，包括以下步骤：

预处理步骤：对获取的原始有雾图像进行裁剪成预设图像尺寸得到待去雾图像；

去雾处理步骤：将待去雾图像输入到多尺度去雾模型中进行去雾处理得到去雾图像，其中所述多尺度去雾模型为使用多组数据通过机器学习训练得出，所述多组数据中的每组数据包括有雾图像和对应的真实无雾图像；

所述多尺度去雾模型采用基于非对称结构的编码器-解码器结构；

所述多尺度去雾模型设有残差卷积块、注意力卷积块以及特征解码卷积块，注意力卷积块分别与残差卷积块、特征解码卷积块连接，所述残差卷积块用于根据待去雾图像进行编码得到特征图，所述注意力卷积块用于将输出的特征图恢复到待去雾图像的原始尺寸，所述特征解码卷积块用于将特征图解码得到去雾图像；

所述残差卷积块设有第一卷积层、第二卷积层和第三卷积层，第一卷积层在其输出端与第一relu层连接，第二卷积层在其输出端与第二relu层连接，第一relu层的输出端与第二卷积层连接，同时第一relu层的输出端还与第三卷积层的输出端形成跳跃连接；

所述残差卷积块利用第一卷积层与第一relu层对输入图像进行下采样，利用第一relu层与第三卷积层形成的跳跃连接将特征进行叠加，使得原特征增加输入特征和输出特征的差异；

所述注意力卷积块包括第一注意力部分块、第二注意力部分块、第三注意力部分块和第四注意力部分块，其中四个注意力部分块依次连接，第一注意力部分块的输出端还与第四注意力部分块的输出端形成跳跃连接，第二注意力部分块的输出端还与第三注意力部分块的输出端形成跳跃连接，第三注意力部分块的输出端还与第四注意力部分块的输出端形成跳跃连接；

所述第一注意力部分块由依次连接的第四卷积层与第三relu层组成，第二注意力部分块由第五卷积层组成，第三注意力部分块由依次连接的池化层、第六卷积层、第四relu层、第七卷积层以及第一Sigmoid层组成，第四注意力部分块由依次连接的第八卷积层、第五relu层、第九卷积层以及第二Sigmoid层组成；

各relu层均采用relu激活函数，各Sigmoid层均采用Sigmoid激活函数，relu层和Sigmoid层均用于减少参数间互相依存的关系，进而缓解过拟合情况；

所述特征解码卷积块设有第十卷积层，第十卷积层与第四注意力部分块连接；

所述跳跃连接具体为将两待连接的矩阵进行矩阵点乘后输出结果，通过跳跃连接将数据处理后传给后续的模块，使低层的特征保存到后续的模块，从而使得整体的特征保存下来；

所述多尺度去雾模型具体通过多阶段去雾训练过程得到，所述多阶段去雾训练过程包括以下步骤：

根据三阶去雾训练模型利用不同分辨率的图像去雾从而将去雾学习划分为三个阶段，分别通过三阶去雾训练模型生成不同的去雾图像，所述三阶去雾训练模型包括第一去雾训练模型、第二去雾训练模型和第三去雾训练模型；

利用特征融合将第三去雾训练模型的编码解码特征传递给第二去雾训练模型；

利用特征融合将第二去雾训练模型的编码解码特征传递给第一去雾训练模型，通过逐层传递特征形成全局特征，从而使得原始分辨率图像去雾获得全局特征；

利用VGG19网络模型提取的特征对第一去雾训练模型进行训练得到多尺度去雾模型。

2.根据权利要求1所述的基于多尺度多阶段神经网络的图像去雾方法，其特征在于，所述特征融合为直接通过concatenate将不同层次特征结合在一起，使学习的过程中考虑到全局的特征。