[发明专利]一种基于线上知识蒸馏的图像去雾方法

权利要求书

1.一种基于线上知识蒸馏的图像去雾方法，其特征在于，该方法包括以下步骤：

步骤一、训练集图像的获取：

从雾天图像数据库RESIDE中选择训练集；其中，训练集包括有雾训练图像和与所述有雾训练图像对应的无雾训练图像，所述有雾训练图像和所述无雾训练图像的数量均相同；

步骤二、图像去雾网络教师模型的建立：

所述图像去雾网络教师模型包括预处理模型、主体网络模型、学生分支网络模型和特征聚合网络模型，具体过程如下：

步骤201、采用计算机建立预处理模型；其中，所述预处理模型包括第一卷积层和第二卷积层；

步骤202、采用计算机建立主体网络模型；其中，所述主体网络模型包括第一特征提取网络模型、第二特征提取网络模型和第三特征提取网络模型，所述第一特征提取网络模型包括6层基于PA和CA的RDB模块，所述第二特征提取网络模型包括4层基于PA和CA的RDB模块，所述第三特征提取网络模型包括2层基于PA和CA的RDB模块；PA模块即空间注意力机制模块，CA模块即通道注意力机制模块，RDB即残差密集块；

步骤203、采用计算机建立学生分支网络模型；其中，所述学生分支网络模型包括第一学生分支网络模型、第二学生分支网络模型和第三学生分支网络模型，所述第一学生分支网络模型包括第三卷积层和第四卷积层；

所述第二学生分支网络模型包括第五卷积层和第六卷积层；

所述第三学生分支网络模型为大气光估计网络模型；

步骤204、采用计算机建立特征聚合网络模型；其中，所述特征聚合网络模型包括第一特征提取模型、第二特征提取模型、第三特征提取模型和增强器模块，所述第一特征提取模型包括第七卷积层和第八卷积层；

所述第二特征提取模型包括第九卷积层和第十卷积层；

所述第三特征提取模型包括第十一卷积层和第十二卷积层；

步骤三、有雾训练图像的特征提取：

步骤301、采用计算机将有雾训练图像I经过预处理模型和主体网络模型进行特征提取，得到特征融合图out；

步骤302、采用计算机将特征融合图out经过学生分支网络模型进行特征提取，具体过程如下：

步骤3021、采用计算机将特征融合图out经过第一学生分支网络模型进行特征提取，得到第一无雾图像J；

步骤3022、采用计算机将特征融合图out经过第二学生分支网络模型进行特征提取，得到透射图t；

步骤3023、采用计算机将特征融合图out经过第三学生分支网络模型进行特征提取，得到大气光特征图A；

步骤3024、采用计算机利用大气散射模型，将有雾训练图像I、透射图t和大气光特征图A输入，得到第二无雾图像J_mod；

步骤303、采用计算机调用拼接cat函数模块将第一无雾图像J、第二无雾图像J_mod和有雾训练图像I拼接，得到拼接后图像；

步骤304、采用计算机将步骤303中拼接后图像经过特征聚合网络模型进行特征聚合提取，得到聚合特征图；

步骤305、采用计算机将聚合特征图经过门控网络模块进行特征提取，得到三个特征图α_J，α_Jmod和α_I；

步骤307、采用计算机根据得到输出去雾图像out_EFAB；其中，表示哈达玛积运算，表示加法运算；

步骤四、总损失函数的建立：

步骤401、采用计算机根据L_rec＝(gt,out_EFAB)_L1-SSIM(gt,out_EFAB)，得到重构损失函数L_rec；其中，gt表示有雾训练图像I对应的无雾训练图像，(gt,out_FEAB)_L1表示无雾训练图像gt和输出去雾图像out_EFAB之间的曼哈顿距离，SSIM(gt,out_FEAB)表示gt图像和out_EFAB图像之间的SSIM损失；

步骤402、采用计算机根据得到感知损失函数L_per；其中，N＝5，且Φⁱ(gt)表示无雾训练图像gt经过VGG19网络模型中Relui_1层输出的特征图，Φⁱ(out_EFAB)表示输出去雾图像out_EFAB经过VGG19网络模型中Relui_1层输出的特征图，1≤i≤5；C_i，H_i和W_i分别代表特征图的通道数、高度和宽度；(Φⁱ(gt),Φⁱ(out_EFAB))_L1表示VGG19网络模型中Relui_1层输出的两个特征图之间的曼哈顿距离；

步骤403、采用计算机将特征融合图out经过中间卷积层进行特征提取，得到中间特征融合图out′；

采用计算机根据L_diss＝(out_EFAB,J)_L1+(out_EFAB,J_mod)_L1+(out_EFAB,out′)_L1，得到蒸馏损失函数L_diss；其中，(out_EFAB,J)_L1表示输出去雾图像out_EFAB和第一无雾图像J之间的曼哈顿距离，(out_EFAB,J_mod)_L1表示输出去雾图像out_EFAB和第二无雾图像J_mod之间的曼哈顿距离，(out_EFAB,out′)_L1表示输出去雾图像out_EFAB和中间特征融合图out′之间的曼哈顿距离；

步骤404、采用计算机根据L_loss＝L_rec+L_per+λL_diss，得到总损失函数L_loss；其中，λ为常数，且λ＝0.5；

步骤五、有雾训练图像对图像去雾网络教师模型的训练：

步骤501、计算机采用Adam优化算法，利用总损失函数L_loss对图像去雾网络教师模型进行迭代优化，直至训练集全部训练，完成一次迭代训练；

步骤502、重复步骤501迭代训练直至满足迭代训练预设次数，得到训练好的图像去雾网络教师模型；

步骤六、利用训练好的图像去雾网络教师模型对单幅图像去雾：

步骤601、采用摄像机对待监控区域拍摄并发送至计算机，得到有雾图像监测视频；

步骤602、计算机对有雾图像监测视频按照拍摄先后顺序提取多幅有雾监测图像；

步骤603、采用计算机将任一幅有雾监测图像输入训练好的图像去雾网络教师模型中进行去雾处理，得到无雾监测图像。