[发明专利]基于深度学习的双监督图像去雾方法、系统、介质和设备

摘要

本发明公开了一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备，该方法步骤为：获取有雾图像、标签无雾图像；构建神经网络系统；训练神经网络系统；有雾图像输入到神经网络系统得到第一传输图，有雾图像经图像恢复算法后得第二传输图；第一、第二传输图进行均方差计算得到损失函数Lt；第一传输图进行大气散射模型逆运算，得到去雾图像；去雾图像与标签无雾图像对比得到损失函数Ld；Lt和Ld按设定的比例结合得到Ltotal；有雾图像输入到训练好的神经网络系统得到去雾图像；该系统包括有雾、无雾图像样本获取模块、神经网络系统构建模块和神经网络系统训练模块，本发明的网络参数量级小，训练时间少，能避免主观设定，增强去雾效果。

主权项

1.一种基于深度学习的双监督图像去雾方法，其特征在于，包括下述步骤：S1：获取有雾图像、标签无雾图像；S2：构建神经网络系统，具体为：S21：通过下采样提取图像主要特征并缩小图片尺寸；S22：采用编码‑解码网络结构及零填充提取不同层次的特征，输出特征图；S23：采用上采样将输出的特征图恢复到原始尺寸；S3：训练神经网络系统，具体为：S31：有雾图像输入到构建的神经网络系统得到第一传输图，有雾图像采用图像恢复算法得到第二传输图；S32：第一传输图和第二传输图进行均方差计算，得到传输图的损失函数L_t；S33：第一传输图输入到大气散射模型进行逆运算，得到去雾图像；S34：去雾图像与标签无雾图像进行对比，得到去雾图像的损失函数L_d；S35：将传输图的损失函数L_t和去雾图像的损失函数L_d按设定的比例结合，得到在梯度下降算法中的损失函数L_total；S36：采用后向传播算法计算隐含层误差，采用梯度下降算法更新神经网络参数；S4：有雾图像输入到训练好的神经网络系统输出第三传输图，第三传输图输入到大气散射模型中得到去雾图像。