[发明专利]基于注意力机制与特征增强的图像去雾方法

说明书

本发明公开了基于注意力机制与特征增强的图像去雾方法，包括：数据集，根据大气散射模型制作数据集，数据集缩放后按比例划分为训练数据集和测试数据集；深度学习模型，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。本发明通过结合自注意力模块、密集特征融合模块和特征增强模块，融合图像全局特征间的联系，同时提取局部低级特征和全局上下文特征。同时在编码器与解码器之间的跳跃连接上引入特征金字塔单元，通过训练对多尺度特征施加不同的权重，突出对前景目标更有用的上下文信息，提高对图像特征的表征能力，最大程度利用有用信息，提升去雾效果，实现更加精确的雾天图像去雾。

技术领域

本发明涉及图像去雾技术领域，特别涉及基于注意力机制与特征增强的图像去雾方法。

背景技术

雾霾天气条件下场景的对比度与能见度降低，使用图像捕捉设备获取的自然场景下的图像质量下降，细节大量丢失，无法准确地标记有用信息，严重影响下游图像处理任务。作为图像处理初始化环节，雾霾图像去雾起着至关重要的作用。在雾霾天气环境下如何准确、快速地获取图像重要信息受到研究人员的关注。

目前，图像去雾算法可分为传统算法与基于深度学习的算法。传统去雾算法主要包括以下2种：基于图像增强的去雾算法，如直方图均衡化、小波和曲波变换、Retinex算法等，这类图像增强技术通过增强图像明暗区域的对比度来获取图像细节。但这类算法未考虑雾天图像质量下降的根本原因，本质上并没有达到去雾目的。基于物理模型的图像去雾算法，该类算法以大气散射模型为理论依据，对图像获取过程进行建模，进而反推出其中的无雾图像。其中较为经典的基于暗通道先验的图像去雾算法取得了较好的去雾效果。这类方法虽然改善了全局的对比度，但对浓雾的处理与细节的恢复效果不够理想，部分区域仍然会出现颜色失真问题。近年来，深度学习不断发展并在各个领域得到广泛应用。基于深度学习的去雾算法相较于传统算法，能够更好的学习雾图与清晰图像之间的物理参数或联系，经过处理后的图像质量与细节完整度也有明显提高，能够获得更好的去雾效果。尽管深度学习方法取得了不错的成果，但仍存在以下缺点：依赖透射率等物理模型参数，其精确程度决定了去雾效果；不能很好的处理图像细节，容易出现图像部分失真；未关注雾对图像的全域覆盖与破坏的问题。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的基于注意力机制与特征融合的图像去雾方法，利用自注意力模块、密集特征融合模块、特征增强模块和特征金字塔单元提高图像去雾的效果，已解决雾天图像的降质问题。

为了实现上述目的，本发明采用了如下技术方案：

基于注意力机制与特征增强的图像去雾方法，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。

本发明进一步的方案为，深度学习模型，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，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，计算成本较小，不会增加整个网络的计算压力；

(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；