[发明专利]一种基于多尺度混合模型的无人机航拍图去雾方法

说明书

本发明涉及一种基于多尺度混合模型的无人机航拍图去雾方法。首先，对无人机航拍图进行预处理，采用压缩激发模块SE，对图片特征进行压缩，从而获得全局感受野，捕捉长程信息；其次，采用不同扩张因子的空洞卷积模块DCLs设计上下文扩展模块CDB，提取并融合多尺度的语义特征，获取丰富的上下文信息；最后，利用训练模型预测出的结果和原始无人机航拍图对比，判断去雾任务的完成情况，在真实无人机航拍数据集上使用YOLOv4可视化去雾结果的目标检测性能。基于上述步骤，将基于多尺度混合模型的单图去雾方法部署在无人机预处理阶段。本发明方法较采用其他单图去雾算法相比本发明在视觉性能和目标检测精度上表现最好，并且处理速度较快，优势明显。

技术领域

本发明涉及计算机视觉去噪技术领域，特别是一种基于多尺度混合模型的无人机航拍图去雾方法。

背景技术

当前，集单片机技术、航拍传感器技术的持续发展，培育了无人机航拍技术在水利建设和影视拍摄等多个领域的需求提升。然而，户外复杂场景特别是由于恶劣雾天造成的无人机航拍图片降质，必然导致无人机航拍图对比度低、颜色失真和背景目标细节丢失等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度混合模型的无人机航拍图去雾方法，该方法较其他方法达到了实时的运行速度、较高的目标检测精度和不同户外雾天环境下的鲁棒性。

为实现上述目的，本发明采用如下技术方案：一种基于多尺度混合模型的无人机航拍图去雾方法，包括如下步骤：

步骤S1：对无人机航拍图进行预处理，采用压缩激发模块SE，对图片特征进行压缩，从而获得全局感受野，捕捉长程信息，调整因雾霾天气带来的对比度低、颜色失真问题；

步骤S2：采用不同扩张因子的空洞卷积模块DCLs，提取并融合不同尺度的语义特征，获取丰富的上下文信息，防止无人机航拍图出现过度平滑和细节丢失；

步骤S3：利用多尺度学习机制构建网络，递进式学习背景特征；将预测出的去雾结果和原始无人机航拍图对比，并使用YOLOv4可视化去雾结果图的目标检测性能，执行模型运行时间，验证算法的可靠性。

在一较佳的实施例中，所述步骤S1具体实现如下：

步骤S11：获取无人机航拍图I，对其进行预处理，使用卷积模块提取纹理特征；

步骤S12：基于S11提取出的背景纹理特征，采用压缩和激发操作SE与跳跃连接结合的方式，设计一个压缩激发残余模块SRB；

步骤S13：在步骤S12中，压缩激发残余模块SRB利用SE操作自适应地重新校准每个特征映射的特征响应λ，再与SRB输入特征相乘逐通道加权得到λX，完成在通道维度上对原始特征的重标定；基于SRB模块的特征重标定生成初步的去雾图像

在一较佳的实施例中，所述步骤S2具体实现如下：

步骤S21：将步骤S1得到的特征进一步输入到上下文扩展模块CDB中采用多尺度机制学习，一个CDB模块主要由两个卷积层和两个空洞卷积层DCLs所组成；

步骤S22：基于S21的多尺度机制，DCLs集合了三个具有不同扩张因子dilated＝1，3，5，和相同感受野receptive field＝3×3的卷积路径，每个路径根据扩张因子的变化获取到不同尺度的上下文信息d₁，d₂，d₃；