[发明专利]基于注意力机制与特征增强的图像去雾方法

权利要求书

1.基于注意力机制与特征增强的图像去雾方法，其特征在于，具体方法如下：

(1.1)、数据集制作

根据大气散射模型模拟不同雾天环境下的成像设备捕捉到的雾天图像；雾天图像制作数据集，数据集缩放后按比例划分为训练数据集和测试数据集；

(1.2)、深度学习模型去雾

整体采用编码器-解码器结构，编码器对输入的雾天图像进行特征提取，解码器逐层恢复图像特征，实现图像去雾。

2.根据权利要求1所述的基于注意力机制与特征增强的图像去雾方法，其特征在于，深度学习模型去雾，具体方法如下：

(2.1)、编码器进行四次下采样操作，由四层残差模块、密集特征融合模块和自注意力模块组成，残差模块用于挖掘雾天图像潜藏的边缘与细节特征，密集特征融合模块使非相邻层级之间的信息进行交互，自注意力模块位于解码器末层，提取高阶特征关联全局信息，融合图像全域特征间的联系；

(2.2)、解码器进行四次上采样双线性插值操作，由四层特征增强模块、密集特征融合模块与上采样模块组成，与编码过程相似，解码部分同样经过四次特征融合，特征增强模块引入编码阶段的特征对解码过程进行深入处理，在解码器的最后使用卷积层从最终融合的特征中恢复出无雾图像；

(2.3)、编码器与解码器之间进行跳跃连接，编码器提取的特征经过特征金字塔单元学习多尺度特征并对多尺度特征施加不同权重，通过该权重突出对前景目标有用的上下文信息，抑制无用信息，与解码器的特征增强模块进行通道拼接以提高恢复图像质量。

3.根据权利要求2所述的基于注意力机制与特征增强的图像去雾方法，其特征在于，密集特征融合模块的输入与之前所有密集融合模块的输出特征图进行误差融合，在获取高阶语义信息的同时补充低阶的位置空间信息，第n层密集特征融合模块的输出特征图定义如下：

Fⁿ＝Sⁿ(fⁿ,{F^L,F^L-1,L,Fⁿ⁺¹})。

4.根据权利要求2所述的基于注意力机制与特征增强的图像去雾方法，其特征在于，自注意力模块通过对图像中各个位置的特征进行加权求和，并将其与当前位置的关系进行表达，可以在图像远距离区域之间建立多层次关系，并在此基础上对当前位置的细节特征与远距离位置的细节特征进行调整，在编码器末端嵌入自注意力模块，自注意力计算公式如下：

5.根据权利要求2所述的基于注意力机制与特征增强的图像去雾方法，其特征在于，特征增强模块采用将当前输入加到上一次输出的结果后作为下一次的输入的方式，对于第n层的特征增强模块，首先对上一层得到的特征图Yⁿ⁺¹进行上采样，然后用同一层对应的编码器得到的特征图Iⁿ进行相加，并送入到修复单元G(·)中，最后减去上采样后的Yⁿ⁺¹作为第n层的特征增强模块的输出，其公式表达如下：

Yⁿ＝G(Iⁿ+de(Yⁿ⁺¹))-de(Yⁿ⁺¹)。

6.根据权利要求2所述的基于注意力机制与特征增强的图像去雾方法，其特征在于，跳跃连接处的特征金字塔单元对编码器提取的特征进行不同尺度的扩张，使用卷积层融合多尺度特征，输入到空间注意力单元。

7.根据权利要求6所述的基于注意力机制与特征增强的图像去雾方法，其特征在于：空间注意力模块突出特征图中有利于最终去雾效果的位置并赋予较高权重，对去雾效果影响较小的位置赋予较小权重，自适应调节特征权重。

8.根据权利要求2至7任意一项所述的基于注意力机制与特征增强的图像去雾方法，其特征在于，训练数据集与测试数据集比例为9：1。