结合残差块和密集块的编码器-解码器网络图像去雾方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112150395A(43)申请公布日2020.12.29(21)申请号202011100243.4(22)申请日2020.10.15(71)申请人山东工商学院地址264005山东省烟台市莱山区滨海中路191号(72)发明人华臻丁元娟李晋江(51)Int.Cl.G06T5/00(2006.01)G06T7/90(2017.01)G06N3/04(2006.01)G06K9/62(2006.01)H04N19/176(2014.01)H04N19/42(2014.01)权利要求书1页说明书7页附图6页(54)发明名称结合残差块和密集块的编码器-解码器网络图像去雾方法(57)摘要本发明公开了一种结合残差块和密集块的编码器‑解码器网络的图像去雾方法，该方法包括以下步骤：首先使用深度超分辨率技术，提高深度图的分辨率，其次以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理，然后通过研究主流的CNN技术，设计结合残差块和密集块的编码器‑解码器网络，最后通过最小化整体的损失函数，训练和优化网络模型，实现图像去雾。本发明的方法在编码器‑解码器网络中，引入了残差块和密集块结构，有利于提高网络的信息流通，最大限度的保留特征信息，学习到更加准确的图像特征信息。使用本发明的方法可以提高图像去雾的质量，获得较为理想的图像去雾结果。CN112150395ACN112150395A权利要求书1/1页1.一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，首先使用深度超分辨率技术，提高深度图的分辨率，其次以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理，然后通过研究主流的CNN技术，设计结合残差块和密集块的编码器-解码器网络，最后通过最小化整体的损失函数，训练和优化编码器-解码器网络，实现图像去雾。2.如权利要求1所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，本发明的网络模型通过训练优化的训练集，学习到更加准确的图像特征，便于取得较为理想的去雾结果，主要包含以下几个步骤：1）使用深度超分辨率技术，提高深度图的分辨率，完成深度图的优化处理；2）以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理；3）通过研究主流的CNN技术，设计结合残差块和密集块的编码器-解码器网络；4）通过最小化整体的损失函数，训练和优化编码器-解码器网络；5）使用编码器-解码器网络，实现图像去雾。3.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤1）通过使用深度超分辨率技术，提高深度图的分辨率，完成深度图的优化处理，为后续优化训练集做好准备工作。4.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤2），以建立的大气散射模型为基础，使用加雾算法将高分辨率深度图合成有雾图像，完成训练集的优化处理。5.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤3）通过结合残差块和密集块，设计编码器-解码器网络，分为以下几个步骤：3-1）通过研究主流的CNN技术，设计整体的网络模型；3-2）设计Residualblock结构，提高整个网络的信息流通；3-3）设计Denseblock结构，降低信息流在网络训练中的损失。6.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤4）使用均方误差（MSE）和结构相似性（SSIM）损失，作为整体的损失函数，并且通过最小化损失函数，对提出的网络模型进行训练和优化。7.如权利要求2所述的一种结合残差块和密集块的编码器-解码器网络的图像去雾方法，其特征是，所述步骤5），提出的网络模型首先使用步骤2）中得到的数据集作为优化的训练集，其次通过步骤3）搭建编码器-解码器网络，然后通过步骤4）最小化整体的损失函数，不断地训练和优化网络模型，最后实现图像去雾。2CN112150395A说明书1/7页结合残差块和密集块的编码器-解码器网络图像去雾方法技术领域[0001]本发明涉及图像处理技术领域，具体涉及一种结合残差块和密集块的编码器-解码器网络的图像去雾方法。背景技术[0002]由于受到气候、环境污染等因素的影响，当大气中的空气气压低，风力较小时，气流就会流动缓慢或者不流动，使得空气中水滴、灰尘等悬浮颗粒聚集，形成了雾或雾霾。光线在传输过程中，由于受到雾或雾霾反射、折射、吸收等作用的影响，导致图像对比度下降，细节信息丢失，严重影响图像成像质量。从光学角度来解释，有雾