[发明专利]一种基于独立细节恢复网络的图像去雾方法

权利要求书

1.一种基于独立细节恢复网络的图像去雾方法，通过设置一个独立于去雾骨干网络的细节恢复网络，对有效去雾后的图像进行细节的恢复，进一步提升去雾效果，该方法包括以下步骤：

S1、获取图像数据，构建具有成对有雾图像和无雾图像的数据集；

S2、构建图像去雾模型，该模型由去雾骨干网络和细节恢复网络两个分支网络构成，其中，去雾骨干网络由透射率图像估计网络、大气光估计网络组成，细节恢复网络由局部分支网络和全局分支网络组成；

S3、将有雾图像输入到去雾骨干网络和细节恢复网络中，分别获得初步去雾图像和细节特征图；

S4、将初步去雾图像与细节特征图相加得到最终的去雾图像。

2.根据权利要求1所述的基于独立细节恢复网络的图像去雾方法，其特征在于，步骤S1具体包括：

获取若干不同场景的无雾图像，根据大气散射模型，生成与无雾图像对应的有雾图像，构建成对的图像数据集。

3.根据权利要求1所述的基于独立细节恢复网络的图像去雾方法，其特征在于，步骤S2具体包括：

去雾骨干网络中所述的透射率图像估计网络是一个U型编解码网络结构，编码器中包括密集残差块网络以获得更加准确的透射率图像，所述密集残差块网络以密集块作为基本单元，密集块是由多层密集层组成，每个密集层由串行连接的批量归一化层、ReLU激活层、卷积层、批量归一化层、ReLU激活层、卷积层组成，每个密集块的输入与输出之间添加一条残差连接，残差指的是密集块输出与输入之间的差异，残差连接即将残差与上一个密集块输入之和作为下一个密集块的输入，密集残差块网络的设计能够在最大限度获取特征信息的同时避免信息的冗余；解码器首先是串行连接的三个组合块，组合块由串行连接的残差块、ReLU激活层和反卷积层组成，其中，残差块由反卷积层、批量归一化层、ReLU激活层、反卷积层、批量归一化层组成；整个网络的最后串行连接一个卷积层和一个ReLU激活层；去雾骨干网络中所述的大气光图像估计网络为U-Net网络结构；

4.根据权利要求1所述的基于独立细节恢复网络的图像去雾方法，其特征在于，步骤S2具体包括：细节恢复网络中所述的局部分支网络是由一个密集块和一个卷积层组成，密集块是由多层密集层组成，每个密集层由串行连接的批量归一化层、ReLU激活层、卷积层、批量归一化层、ReLU激活层、卷积层组成；所述全局分支网络首先是三个具有不同膨胀系数的膨胀卷积层并列连接，其后紧接着一个通道维度相加操作用于将三个并列分支的输出结果相加；将局部分支网络的输出与全局分支网络的输出相加作为整个细节恢复网络的输出。

5.根据权利要求1所述的基于独立细节恢复网络的图像去雾方法，其特征在于，步骤S2中所述的去雾模型包含四种损失函数，第一种损失函数为感知损失，感知损失首先通过预训练好的神经网络提取特征，然后计算输出图像特征图与真实图像特征图之间的差距；第二种为负结构相似度损失，结构相似度用于衡量两幅图像之间结构的相似程度，负结构相似度损失用于缩小输出图像与真实图像在结构相似度方面的差距；第三种为像素级损失，利用L1损失分别计算透射率图像、大气光图像以及去雾后图像与其相对应的真实图像之间的像素差异；第四种为重构损失，利用透射率图像、大气光图像、去雾后图像根据大气散射模型重构出有雾图像，计算重构图像与输入图像之间的差异。