【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种单幅图像去雾方法及装置。
技术介绍
1、在当代视觉传播领域中，图像占据着至关重要的媒介地位，而雾霾污染对图像质量的影响，尤其在诸如目标识别、卫星遥感分析及图像分类等高科技应用中，构成了显著的挑战。具体而言，雾霾环境中的光传播过程受悬浮水滴与微粒的散射和吸收作用干扰，导致被摄对象的边缘清晰度减损，图像的锐利度与色彩饱满度均明显下降，进而削弱了图像的综合视觉表现力。这一现象不仅降低了图像的直接可解析性，还潜在地掩盖了图像内的关键信息，严重时会妨碍后续科学研究的精确度与可靠性，凸显了雾霾对高精度图像分析技术应用的制约效应。
2、依据图像处理理论的视角，去雾算法可被系统性地归纳为三大类别：(1)基于图像复原的图像去雾算法；(2)基于图像增强的图像去雾算法；(3)基于深度学习的图像去雾算法。图像复原算法从根本上探究图像生成机制，通过精密分析雾气引起的成像效应，构建了综合性大气散射模型，该模型整合了光线散射与衰减等关键物理过程。此类算法凭借对图像退化深层物理机制的透彻理解，得以精准区分并提取出雾气影响下的原始图像成分。此类方法的效能高度依赖于预设的先验条件，导致其应用范畴受限，且在遭遇高强度干扰的环境时，去雾成效可能不尽如人意，展现出一定的局限性。基于图像增强技术的去雾策略，通过发掘图像中蕴含的低亮度及低对比度特征，旨在改善受雾影响的视觉质量。然而，此策略在追求提升图像清晰度与可视性的同时，不可避免地面临对精细结构细节和色彩保真度造成潜在损伤的挑战。这种权衡可能导致去雾处理后的影像在细节分辨
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种单幅图像去雾方法及装置，在有效去雾的同时可以保留更多的图像细节信息。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种单幅图像去雾方法，包括：
4、获取待去雾图像；
5、将所述待去雾图像输入预构建的去雾网络模型，获取去雾后图像；
6、其中，所述去雾网络模型的构建过程包括：
7、获取清晰图像数据集，通过大气散射模型对所述清晰图像数据集中清晰图像进行处理生成带雾气图像；
8、将所述清晰图像和所述带雾气图像一一对应构建训练数据集；
9、基于u-net网络模型构建去雾网络模型，根据所述训练数据集对所述去雾网络模型进行训练，训练完成后得到构建好的去雾网络模型；
10、其中，所述u-net网络模型包括对称的编码器和解码器，所述编码器包括多个标准卷积层和池化层，将尾部的预设数量的标准卷积层替换为深度可分离卷积层，并在尾部的所述深度可分离卷积层的尾部引入密集连接层；在池化层引入多头注意力机制；所述解码器包括多个交错连接的反卷积层和特征增强层。
11、可选的，所述深度可分离卷积层用于对输入图像数据进行深度卷积和逐点卷积；
12、所述深度卷积包括：
13、对输入图像的每个通道，采用深度卷积核进行深度卷积操作提取特征图：
14、；
15、式中，为深度卷积提取的特征图，为特征图上位置的第个通道对应的数值，为输入图像上位置的第个通道对应的数值，为深度卷积核的高度和宽度，为深度卷积核在位置的第个通道对应的权重；
16、所述逐点卷积包括：
17、对所述深度卷积提取的特征图，采用一个1逐点卷积核进行逐点卷积操作提取特征图：
18、；
19、式中，为逐点卷积提取的特征图，为特征图上位置的第个通道对应的数值，为1逐点卷积核在第个输入通道和第个输出通道的权重；为1逐点卷积核的输入通道数量。
20、可选的，所述密集连接层用于将当前层和之前所有层输出的特征图进行连接。
21、可选的，所述池化层在引入多头注意力机制后对深度可分离卷积层输出的特征图进行池化处理包括：
22、对输入特征图通过卷积操作映射到新的特征空间得到特征图；
23、设有头注意力机制，计算每头注意力机制的权重：
24、；
25、式中，，为线性变换矩阵；
26、根据权重计算注意力头：
27、；
28、式中，为注意力头的维度；
29、对所有注意力头进行拼接处理和线性变换：
30、；
31、式中，为线性变换矩阵；
32、将拼接处理和线性变换结果与特征图相加得到池化处理结果：
33、。
34、可选的，所述特征增强层用于通过relu激活函数对反卷积层输出结果进行非线性变换。
35、第二方面，本专利技术提供了一种单幅图像去雾装置，所述装置包括：
36、图像获取模块，用于获取待去雾图像；
37、图像去雾模块，用于将所述待去雾图像输入预构建的去雾网络模型，获取去雾后图像；
38、其中，所述去雾网络模型的构建过程包括：
39、获取清晰图像数据集，通过大气散射模型对所述清晰图像数据集中清晰图像进行处理生成带雾气图像；
40、将所述清晰图像和所述带雾气图像一一对应构建训练数据集；
41、基于u-net网络模型构建去雾网络模型，根据所述训练数据集对所述去雾网络模型进行训练，训练完成后得到构建好的去雾网络模型；
42、其中，所述u-net网络模型包括对称的编码器和解码器，所述编码器包括多个标准卷积层和池化层，将尾部的预设数量的标准卷积层替换为深度可分离卷积层，并在尾部的所述深度可分离卷积层的尾部引入密集连接层；在池化层引入多头注意力机制；所述解码器包括多个交错连接的反卷积层和特征增强层。
43、第三方面，本专利技术提供了一种电子设备，包括处理器及存储介质；
44、所述存储介质用于存储指令；
45、所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
46、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
47、第五方面，本专利技术提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
48、与现有技术相比，本专利技术所达到的有益效果：
49、本专利技术提供的一种单幅图像去雾方法及装置，在对图像整体去雾的同时，更注本文档来自技高网...
【技术保护点】
1.一种单幅图像去雾方法，其特征在于，包括：
2.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述深度可分离卷积层用于对输入图像数据进行深度卷积和逐点卷积；
3.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述密集连接层用于将当前层和之前所有层输出的特征图进行连接。
4.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述池化层在引入多头注意力机制后对深度可分离卷积层输出的特征图进行池化处理包括：
5.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述特征增强层用于通过ReLU激活函数对反卷积层输出结果进行非线性变换。
6.一种单幅图像去雾装置，其特征在于，所述装置包括：
7.一种电子设备，其特征在于，包括处理器及存储介质；
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
9.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-5中任一项所述方
...【技术特征摘要】
1.一种单幅图像去雾方法，其特征在于，包括：
2.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述深度可分离卷积层用于对输入图像数据进行深度卷积和逐点卷积；
3.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述密集连接层用于将当前层和之前所有层输出的特征图进行连接。
4.根据权利要求1所述的单幅图像去雾方法，其特征在于，所述池化层在引入多头注意力机制后对深度可分离卷积层输出的特征图进行池化处理包括：
5.根据权利要求1所述的单幅图像去雾方...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。