[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

说明书

本发明公开了一种基于多尺度多阶段神经网络的图像去雾方法及系统，该方法包括以下步骤：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，其中多尺度去雾模型为使用多组数据通过机器学习训练得出，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；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。本发明利用特征融合将不同的分辨率的特征进行关联得全局特征，使得网络学习到更准确的特征，从而提高了图像的感知质量和视觉效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于多尺度多阶段神经网络的图像去雾方法及系统。

背景技术

雾霾是日常生活中一种常见的天气现象。在雾霾天气下拍摄的图像，往往有对比度低，色彩偏移，视觉效果差等退化问题。会导致人们无法分辨出图像里面的物体。由于单幅图像去雾没有其他先验知识，同时根据物理模型，去雾也是一个病态问题，因此导致了单幅图像去雾存在很多难点。通过物理公式所得到的去雾图像，与真实情况存在一定的差异，如果将之用作后续的数据，则会造成一定的误差。但是通过深度学习的方法可以从数据中学习到图像去雾过程，能够模拟出图像去雾的模型，因此能获得比较成功的结果，同时也可以减少人为主观的干预。

图像是社会生活中最重要的信息载体之一，图像质量的降低，会导致图像中提供的信息缺失，基本特征被掩盖，影响后续计算机视觉任务的有效性，人们难以从退化的模糊图像获取有效信息，计算机也无法准确地进行目标识别与分析。在军事领域中，为了获得清晰准确的去雾图像，往往采用特殊的硬件设备，但这些设备不便携带且价格昂贵，无法推广到民用领域中。所以，为了使户外视觉系统能够可靠的工作，采用数字图像处理的算法，对低质量的雾霾图像进行快速、有效的去雾处理，提高图像的信息价值，增强户外视觉系统的鲁棒性等各方面具有重要的现实意义。

现有的主流去雾方法主要有两种，一种是通过端到端的直接学习去雾过程的方法，一种是通过蒸馏学习，学习不同的去雾网络模型的优势达到结合优势的效果。对于现有去雾方法，基本能够达到一个不错的视觉效果。

但是现有去雾网络模型仍存在不足，具体地，现有的去雾网络模型使用了编码器解码器对称结构，而且也仅仅用于单层的特征编码和解码，所以会出现以下问题：1、在去雾过程中都只考虑单层的特征，并没有考虑全局的特征，即在训练过程中，往往只能使用前一层的特征，缺少对全局特征的学习。2、编码器-解码器结构几乎都为对称结构，对于编码和解码没有分开考虑。3、训练过程中将去雾过程当做一个训练过程，并没有将去雾任务分解为小任务。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供了一种基于多尺度多阶段神经网络的图像去雾方法，通过利用由多个分辨率得到的全局特征进行训练，从而达到更好的去雾效果。

本发明的第二目的在提供一种基于多尺度多阶段神经网络的图像去雾系统。

为了达到上述目的，本发明采用以下技术方案：

一种基于多尺度多阶段神经网络的图像去雾方法，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；