[发明专利]一种基于线上知识蒸馏的图像去雾方法

说明书

本发明公开了一种基于线上知识蒸馏的图像去雾方法，包括步骤：一、训练集图像的获取；二、图像去雾网络教师模型的建立；三、有雾训练图像的特征提取；四、总损失函数的建立；五、有雾训练图像对图像去雾网络教师模型的训练；六、利用训练好的图像去雾网络教师模型对单幅图像去雾。本发明通过主体网络模型进行特征提取，通过学生分支网络生成两个去雾图像，并通过特征聚合网络模型进行特征聚合，然后利用聚合特征图对主体网络模型和学生分支的网络进行知识蒸馏，提高图像去雾效果，且减少网络参数。

技术领域

本发明属于图像去雾处理技术领域，具体涉及一种基于线上知识蒸馏的图像去雾方法。

背景技术

随着计算机技术的发展，图像已经成为当前获取信息的主要途径之一。目标检测、语义分割等高级计算机视觉任务也被研究者广泛关注。然而，摄像机在成像过程中，会受到大气中雾霾、沙尘、雨雪等恶劣天气的影响，特别是在雾霾条件下获取的图像亮度低，对比度下降，使得图像质量降低，从而影响其在目标检测、语义分割等高级计算机视觉任务中的应用，因此，开展图像去雾技术研究具有重大意义的。图像去雾就是给定一张有雾图像，对其进行去雾处理得到相应的无雾图像。

目前图像去雾方法包括基于暗通道统计先验的方法、基于颜色先验的方法，这类方法取得了一定的效果，但是由于人为进行统计制定先验信息，并不适用于所有有雾条件，所以方法的泛化能力不好，对天空等图像较亮区域产生偏差，且会造成去雾后的图像色彩发生偏差。随着神经网络对透射率和大气光进行估计，然后使用大气散射模型得到无雾图像。这类方法不依赖先验信息，依靠神经网络进行训练，去雾效果有了一定的改进，但是由于采用大气散射模型进行去雾，而大气散射模型是一个理想方程。因此这类方法仍不能完全地进行去雾。考虑到大气散射模型对去雾结果的影响，开始直接使用端到端的网络来进行去雾，给定的有雾图像通过网络学习直接得到相应的无雾图像，对图像的去雾效果提升，但同时也带来了网络参数的增加，使得网络的计算更加复杂。最近，知识蒸馏经常被应用来进行模型压缩，但是知识蒸馏在目标检测等高级计算机视觉任务中应用较多，而在图像去雾中应用较少。

因此，现如今缺少一种结构简单，设计合理的基于线上知识蒸馏的图像去雾方法，通过主体网络模型进行特征提取，通过学生分支网络生成两个去雾图像，并通过特征聚合网络模型进行特征聚合，然后利用聚合特征图对主体网络模型和学生分支的网络进行知识蒸馏，提高图像去雾效果，且减少网络参数。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于线上知识蒸馏的图像去雾方法，其方法步骤简单，设计合理，通过主体网络模型进行特征提取，通过学生分支网络生成两个去雾图像，并通过特征聚合网络模型进行特征聚合，然后利用聚合特征图对主体网络模型和学生分支的网络进行知识蒸馏，提高图像去雾效果，且减少网络参数。

为解决上述技术问题，本发明采用的技术方案是：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；