CN115272122B - 一种先验引导的单阶段蒸馏图像去雾方法 - Google Patents
一种先验引导的单阶段蒸馏图像去雾方法 Download PDFInfo
- Publication number
- CN115272122B CN115272122B CN202210912827.4A CN202210912827A CN115272122B CN 115272122 B CN115272122 B CN 115272122B CN 202210912827 A CN202210912827 A CN 202210912827A CN 115272122 B CN115272122 B CN 115272122B
- Authority
- CN
- China
- Prior art keywords
- image
- defogging
- network
- priori
- guided
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004821 distillation Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 230000000007 visual effect Effects 0.000 abstract description 8
- 230000000295 complement effect Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000009466 transformation Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种先验引导的单阶段蒸馏图像去雾方法，包括步骤：一、设计先验引导的单阶段蒸馏去雾网络对单张的有雾图像去雾；二、建立先验引导的单阶段蒸馏去雾网络的损失函数；三、更新权重参数集合；四、调取新的有雾图像循环步骤一至步骤三，直到训练结束，得到先验引导的单阶段蒸馏去雾网络的最终权重参数集合，并确定最终的先验引导的单阶段蒸馏去雾网络；五、单张实际有雾图像去雾。本发明结合了传统的暗通道去雾算法去雾效果好和端到端去雾算法色彩保真度高的互补优势，在多个数据集的测试中，展现出较强的去雾效果和泛化能力，能够有效提高去雾图像的对比度和视觉效果。
Description
技术领域
本发明属于单幅图像去雾技术领域，具体涉及一种先验引导的单阶段蒸馏图像去雾方法。
背景技术
由于空气中雾、霾等悬浮粒子的影响,光线在传播过程中将发生折射而衰减,导致采集的图像出现颜色偏差、模糊、对比度下降等质量退化现象,这不仅使图像观赏性降低,视觉效果变差,更导致物体特征难以辨认,对拍摄图像的内容理解出现偏差。图像去雾就是利用特定的方法和手段,建立有雾图像和无雾图像之间的特征关系进行去雾处理,进而降低雾霾对图像视觉效果的影响。单幅图像去雾算法是指在仅有一张有雾图像的基础上进行去雾得到清晰图像的过程。
目前单张图像去雾方法主要分为三大类：第一类是基于图像增强的方法,第二类是基于物理模型的方法,第三类是基于深度学习的方法。
基于图像增强的方法的本质是对被降质的图像进行增强,改善图像的质量。比如常见的直方均衡、对数变换、幂律变换、锐化、小波变换等。通过这些方法增强图像的对比度或突出图像的特征。与常见的对比度增强方法不同，另一种常见的图像增强的方法是基于颜色恒常性和视网膜皮层理论的Retinex方法。该方法将图像分解为本质图像与照度图像的乘积，从而消除因为受雾霾遮挡的光照因素对图像成像的影响。Retinex方法比传统的对比度提升方法相比，其得到的去雾图像具有更好的局部对比度，颜色失真较小。但由于Retinex方法本身也是一个病态问题，只能进行近似估计，因而也在一定程度上影响了图像去雾效果。
基于物理模型的方法利用大气散射模型(I＝JT+(1-T)A，其中I表示有雾图像，J表示无雾图像)分别估计场景介质透视率T与全局大气光照A，从而得到清晰的无雾图像。然而在只有单张有雾图像条件下，估计T和A也是一个病态问题，只能进行近视估计。利用大气散射模型将有雾图像恢复到无雾图像的方法，总体上可以分为三类：第1类是基于深度信息的方法；第2类是基于大气光偏振特性的去雾算法；第3类是基于先验知识的方法。前两类方法通常都需要人工配合，才能得到较好的结果，而第3类方法是目前比较常见的方法，比如基于暗通道统计先验的方法，基于颜色统计先验的方法。这些方法由于是通过统计信息得到的知识，并不能适应所有场景，如基于暗通道先验知识的方法对天空等较亮的区域估计透视***就会出现偏差，导致去雾后的图像整体偏暗。
基于深度学***衡、伽玛矫正等方法对有雾图像进行预处理得到衍生图像，然后再通过神经网络学习置信权重，并用学习的权重将衍生图像进行融合，从而实现去雾。这种方法对预处理图像的质量有较高的依赖性，但由于衍生图像只能间接反映无雾场景下的特征，该方法去雾效果有限；基于图像变换的方法直接利用卷积神经网络学习有雾图像与无雾图像之间的映射变换函数，从而得到无雾图像。这种方法通过大样本的数据集拟合了无雾场景与有雾场景之间的特征关系，但由于真实雾霾图像缺乏同一场景下无雾图像的对照，且视觉效果差，这些网络在合成数据集中训练，特征多样性的缺乏导致模型不能很好地去除真实场景中的雾霾。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种先验引导的单阶段蒸馏图像去雾方法，结合了传统的暗通道去雾算法去雾效果好和端到端去雾算法色彩保真度高的互补优势，在多个数据集的测试中，展现出较强的去雾效果和泛化能力，能够有效提高去雾图像的对比度和视觉效果，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种先验引导的单阶段蒸馏图像去雾方法，其特征在于，该方法包括以下步骤：
步骤一、设计先验引导的单阶段蒸馏去雾网络对单张的有雾图像去雾，过程如下：
步骤101、搭建先验引导的重建网络，所述先验引导的重建网络的图像训练样本集为暗通道先验雾天数据集，并将先验引导的重建网络的图像训练样本集中每张有雾图像归一化到固定尺寸；
步骤102、搭建合成图像去雾网络，所述合成图像去雾网络的图像训练样本集为合成雾天数据集，并将合成图像去雾网络的图像训练样本集中每张有雾图像归一化到固定尺寸；
步骤103、根据公式OutFFB＝G(Jdcp)×αdcp+γ(I)×αdeh，构建先验引导的单阶段蒸馏去雾网络OutFFB，其中，G(Jdcp)为先验引导的重建网络，αdcp为先验引导的重建网络的权重，γ(I)为合成图像去雾网络，αdeh为合成图像去雾网络的权重；
步骤二、建立先验引导的单阶段蒸馏去雾网络的损失函数，过程如下：
步骤201、根据公式Ldcp＝||Jdcp-G0(Jdcp)||，计算先验引导的重建网络的损失函数Ldcp，其中，Jdcp为先验引导的重建网络的图像训练样本集中图像利用DCP去雾算法生成的去雾结果，G0(Jdcp)为先验引导的重建网络的图像训练样本集中图像利用先验引导的重建网络生成的去雾结果，||·||为范数运算函数；
步骤202、根据公式Ldeh＝||J-γ0(I)||，计算合成图像去雾网络的损失函数Ldeh，其中，J为合成图像去雾网络的图像训练样本集中一张清晰无雾图像，γ0(I)为所述清晰无雾图像的有雾图像利用合成图像去雾网络生成的去雾结果；
步骤203、根据公式
计算蒸馏损失Ldiss，其中，
为先验引导的单阶段蒸馏去雾网络生成的去雾结果；
步骤204、根据公式L＝λ1Ldcp+λ2Ldeh+λ3Ldiss，建立先验引导的单阶段蒸馏去雾网络的损失函数L，其中，λ1为Ldcp的权重系数，λ2为Ldeh的权重系数，λ3为Ldiss的权重系数；
步骤三、更新权重参数集合：将先验引导的单阶段蒸馏去雾网络的损失函数L送入Adam优化器，对步骤一的先验引导的单阶段蒸馏去雾网络训练优化，更新先验引导的单阶段蒸馏去雾网络的权重参数集合；
步骤四、调取先验引导的重建网络的图像训练样本集中一张新的有雾图像送入先验引导的重建网络，同时调取合成图像去雾网络的图像训练样本集中一张新的有雾图像送入合成图像去雾网络，循环步骤一至步骤三，直到训练达到预设训练步数或者损失值不再下降或损失值小于0.015即停止训练，此时，得到先验引导的单阶段蒸馏去雾网络的最终权重参数集合，并确定最终的先验引导的单阶段蒸馏去雾网络；
步骤五、单张实际有雾图像去雾：将单张实际有雾图像送入先验引导的单阶段蒸馏去雾网络对单张实际有雾图像去雾，获得实际有雾图像的去雾图像。
上述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述固定尺寸为256*256*3的像素尺寸。
上述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述先验引导的重建网络的图像训练样本集和所述合成图像去雾网络的图像训练样本集中图像数据对均不少于1000对。
上述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述λ1+λ2+λ3＝1。
上述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述λ1＝λ2＝0.3，λ3＝0.4。
上述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述先验引导的重建网络和所述合成图像去雾网络的网络结构均包括编码器和解码器，所述编码器包括四个编码卷积层，其中，第一编码卷积层的卷积核为3*3、通道数为64、步长为1、填充为1；第二编码卷积层的卷积核为3*3、通道数为128、步长为2、填充为1；第三编码卷积层的卷积核为3*3、通道数为256、步长为2、填充为1；第四编码卷积层的卷积核为3*3、通道数为512、步长为2、填充为1；
所述解码器包括第一上采样层、第二解码卷积层、第三上采样层、第四解码卷积层、第五上采样层、第六解码卷积层和第七解码卷积层，其中，第二解码卷积层的卷积核3*3、输出通道数为256、步长为1、填充为1；第四解码卷积层的卷积核3*3、输出通道数为128、步长为1、填充为1；第六解码卷积层的卷积核3*3、输出通道数为64、步长为1、填充为1；第七解码卷积层的卷积核3*3、输出通道数为3、步长为1、填充为1。
本发明与现有技术相比具有以下优点：
1、本发明采用了一阶段蒸馏方式，无需预训练网络作为教师网络，便于推广使用。
2、本发明结合传统的暗通道先验去雾算法，来引导基于数据驱动的去雾方法的学习过程，提升了网络在真实场景中的泛化效果。
3、本发明方法步骤简单，避免了一些多尺度去雾算法通过拓展网络深度和尺度来提升去雾性能而导致模型参数过多的问题，能够恢复高质量的去雾图像，且具有良好的实时性，便于推广使用。
综上所述，本发明结合了传统的暗通道去雾算法去雾效果好和端到端去雾算法色彩保真度高的互补优势，在多个数据集的测试中，展现出较强的去雾效果和泛化能力，能够有效提高去雾图像的对比度和视觉效果，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示，本发明的一种先验引导的单阶段蒸馏图像去雾方法，包括以下步骤：
步骤一、设计先验引导的单阶段蒸馏去雾网络对单张的有雾图像去雾，过程如下：
步骤101、搭建先验引导的重建网络，所述先验引导的重建网络的图像训练样本集为暗通道先验雾天数据集，并将先验引导的重建网络的图像训练样本集中每张有雾图像归一化到固定尺寸；
步骤102、搭建合成图像去雾网络，所述合成图像去雾网络的图像训练样本集为合成雾天数据集，并将合成图像去雾网络的图像训练样本集中每张有雾图像归一化到固定尺寸；
步骤103、根据公式OutFFB＝G(Jdcp)×αdcp+γ(I)×αdeh，构建先验引导的单阶段蒸馏去雾网络OutFFB，其中，G(Jdcp)为先验引导的重建网络，αdcp为先验引导的重建网络的权重，γ(I)为合成图像去雾网络，αdeh为合成图像去雾网络的权重；
本实施例中，所述先验引导的重建网络和所述合成图像去雾网络的网络结构均包括编码器和解码器，所述编码器包括四个编码卷积层，其中，第一编码卷积层的卷积核为3*3、通道数为64、步长为1、填充为1；第二编码卷积层的卷积核为3*3、通道数为128、步长为2、填充为1；第三编码卷积层的卷积核为3*3、通道数为256、步长为2、填充为1；第四编码卷积层的卷积核为3*3、通道数为512、步长为2、填充为1；
所述解码器包括第一上采样层、第二解码卷积层、第三上采样层、第四解码卷积层、第五上采样层、第六解码卷积层和第七解码卷积层，其中，第二解码卷积层的卷积核3*3、输出通道数为256、步长为1、填充为1；第四解码卷积层的卷积核3*3、输出通道数为128、步长为1、填充为1；第六解码卷积层的卷积核3*3、输出通道数为64、步长为1、填充为1；第七解码卷积层的卷积核3*3、输出通道数为3、步长为1、填充为1。
需要说明的是，通过步骤一的三个网络分别得到了三张去雾结果，其中，先验引导的重建网络的去雾结果是在重建网络中生成的暗通道先验去雾结果，该结果具有较强的去雾效果和泛化能力，能够有效提高图像的对比度，但容易产生伪影和色差；合成图像去雾网络的去雾结果是在合成图像去雾网络中通过合成配对图像训练得到的去雾结果，该结果具有较好的色彩保真度，但在真实雾霾场景的去雾效果较差。因此，通过自适应地融合两者的特征，先验引导的单阶段蒸馏去雾网络的去雾结果在增强真实场景中去雾能力的同时，抑制了色差的产生，同时具备了较好的去雾效果与视觉效果。
步骤二、建立先验引导的单阶段蒸馏去雾网络的损失函数，过程如下：
步骤201、根据公式Ldcp＝||Jdcp-G0(Jdcp)||，计算先验引导的重建网络的损失函数Ldcp，其中，Jdcp为先验引导的重建网络的图像训练样本集中图像利用DCP去雾算法生成的去雾结果，G0(Jdcp)为先验引导的重建网络的图像训练样本集中图像利用先验引导的重建网络生成的去雾结果，||·||为范数运算函数；
步骤202、根据公式Ldeh＝||J-γ0(I)||，计算合成图像去雾网络的损失函数Ldeh，其中，J为合成图像去雾网络的图像训练样本集中一张清晰无雾图像，γ0(I)为所述清晰无雾图像的有雾图像利用合成图像去雾网络生成的去雾结果；
步骤203、根据公式
计算蒸馏损失Ldiss，其中，
为先验引导的单阶段蒸馏去雾网络生成的去雾结果；
步骤204、根据公式L＝λ1Ldcp+λ2Ldeh+λ3Ldiss，建立先验引导的单阶段蒸馏去雾网络的损失函数L，其中，λ1为Ldcp的权重系数，λ2为Ldeh的权重系数，λ3为Ldiss的权重系数；
步骤三、更新权重参数集合：将先验引导的单阶段蒸馏去雾网络的损失函数L送入Adam优化器，对步骤一的先验引导的单阶段蒸馏去雾网络训练优化，更新先验引导的单阶段蒸馏去雾网络的权重参数集合；
步骤四、调取先验引导的重建网络的图像训练样本集中一张新的有雾图像送入先验引导的重建网络，同时调取合成图像去雾网络的图像训练样本集中一张新的有雾图像送入合成图像去雾网络，循环步骤一至步骤三，直到训练达到预设训练步数或者损失值不再下降或损失值小于0.015即停止训练，此时，得到先验引导的单阶段蒸馏去雾网络的最终权重参数集合，并确定最终的先验引导的单阶段蒸馏去雾网络；
步骤五、单张实际有雾图像去雾：将单张实际有雾图像送入先验引导的单阶段蒸馏去雾网络对单张实际有雾图像去雾，获得实际有雾图像的去雾图像。
本实施例中，所述固定尺寸为256*256*3的像素尺寸。
本实施例中，所述先验引导的重建网络的图像训练样本集和所述合成图像去雾网络的图像训练样本集中图像数据对均不少于1000对。
本实施例中，所述λ1+λ2+λ3＝1。
本实施例中，所述λ1＝λ2＝0.3，λ3＝0.4。
本发明使用时，采用了一阶段蒸馏方式，无需预训练网络作为教师网络；结合传统的暗通道先验去雾算法，来引导基于数据驱动的去雾方法的学习过程，提升了网络在真实场景中的泛化效果；方法步骤简单，避免了一些多尺度去雾算法通过拓展网络深度和尺度来提升去雾性能而导致模型参数过多的问题，能够恢复高质量的去雾图像，且具有良好的实时性，通过结合传统的暗通道去雾算法去雾效果好和端到端去雾算法色彩保真度高的互补优势，在多个数据集的测试中，展现出较强的去雾效果和泛化能力，能够有效提高去雾图像的对比度和视觉效果。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种先验引导的单阶段蒸馏图像去雾方法，其特征在于，该方法包括以下步骤：
步骤一、设计先验引导的单阶段蒸馏去雾网络对单张的有雾图像去雾，过程如下：
步骤101、搭建先验引导的重建网络，所述先验引导的重建网络的图像训练样本集为暗通道先验雾天数据集，并将先验引导的重建网络的图像训练样本集中每张有雾图像归一化到固定尺寸；
步骤102、搭建合成图像去雾网络，所述合成图像去雾网络的图像训练样本集为合成雾天数据集，并将合成图像去雾网络的图像训练样本集中每张有雾图像归一化到固定尺寸；
步骤103、根据公式OutFFB＝G(Jdcp)×αdcp+γ(I)×αdeh，构建先验引导的单阶段蒸馏去雾网络OutFFB，其中，G(Jdcp)为先验引导的重建网络，αdcp为先验引导的重建网络的权重，γ(I)为合成图像去雾网络，αdeh为合成图像去雾网络的权重；
步骤二、建立先验引导的单阶段蒸馏去雾网络的损失函数，过程如下：
步骤201、根据公式Ldcp＝||Jdcp-G0(Jdcp)||，计算先验引导的重建网络的损失函数Ldcp，其中，Jdcp为先验引导的重建网络的图像训练样本集中图像利用DCP去雾算法生成的去雾结果，G0(Jdcp)为先验引导的重建网络的图像训练样本集中图像利用先验引导的重建网络生成的去雾结果，||·||为范数运算函数；
步骤202、根据公式Ldeh＝||J-γ0(I)||，计算合成图像去雾网络的损失函数Ldeh，其中，J为合成图像去雾网络的图像训练样本集中一张清晰无雾图像，γ0(I)为所述清晰无雾图像的有雾图像利用合成图像去雾网络生成的去雾结果；
步骤203、根据公式
计算蒸馏损失Ldiss，其中，
为先验引导的单阶段蒸馏去雾网络生成的去雾结果；
步骤204、根据公式L＝λ1Ldcp+λ2Ldeh+λ3Ldiss，建立先验引导的单阶段蒸馏去雾网络的损失函数L，其中，λ1为Ldcp的权重系数，λ2为Ldeh的权重系数，λ3为Ldiss的权重系数；
步骤三、更新权重参数集合：将先验引导的单阶段蒸馏去雾网络的损失函数L送入Adam优化器，对步骤一的先验引导的单阶段蒸馏去雾网络训练优化，更新先验引导的单阶段蒸馏去雾网络的权重参数集合；
步骤四、调取先验引导的重建网络的图像训练样本集中一张新的有雾图像送入先验引导的重建网络，同时调取合成图像去雾网络的图像训练样本集中一张新的有雾图像送入合成图像去雾网络，循环步骤一至步骤三，直到训练达到预设训练步数或者损失值不再下降或损失值小于0.015即停止训练，此时，得到先验引导的单阶段蒸馏去雾网络的最终权重参数集合，并确定最终的先验引导的单阶段蒸馏去雾网络；
步骤五、单张实际有雾图像去雾：将单张实际有雾图像送入先验引导的单阶段蒸馏去雾网络对单张实际有雾图像去雾，获得实际有雾图像的去雾图像。
2.按照权利要求1所述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述固定尺寸为256*256*3的像素尺寸。
3.按照权利要求1所述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述先验引导的重建网络的图像训练样本集和所述合成图像去雾网络的图像训练样本集中图像数据对均不少于1000对。
4.按照权利要求1所述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述λ1+λ2+λ3＝1。
5.按照权利要求4所述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述λ1＝λ2＝0.3，λ3＝0.4。
6.按照权利要求1所述的一种先验引导的单阶段蒸馏图像去雾方法，其特征在于：所述先验引导的重建网络和所述合成图像去雾网络的网络结构均包括编码器和解码器，所述编码器包括四个编码卷积层，其中，第一编码卷积层的卷积核为3*3、通道数为64、步长为1、填充为1；第二编码卷积层的卷积核为3*3、通道数为128、步长为2、填充为1；第三编码卷积层的卷积核为3*3、通道数为256、步长为2、填充为1；第四编码卷积层的卷积核为3*3、通道数为512、步长为2、填充为1；
所述解码器包括第一上采样层、第二解码卷积层、第三上采样层、第四解码卷积层、第五上采样层、第六解码卷积层和第七解码卷积层，其中，第二解码卷积层的卷积核3*3、输出通道数为256、步长为1、填充为1；第四解码卷积层的卷积核3*3、输出通道数为128、步长为1、填充为1；第六解码卷积层的卷积核3*3、输出通道数为64、步长为1、填充为1；第七解码卷积层的卷积核3*3、输出通道数为3、步长为1、填充为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210912827.4A CN115272122B (zh) | 2022-07-31 | 2022-07-31 | 一种先验引导的单阶段蒸馏图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210912827.4A CN115272122B (zh) | 2022-07-31 | 2022-07-31 | 一种先验引导的单阶段蒸馏图像去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115272122A CN115272122A (zh) | 2022-11-01 |
| CN115272122B true CN115272122B (zh) | 2023-03-21 |
Family
ID=83747033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210912827.4A Active CN115272122B (zh) | 2022-07-31 | 2022-07-31 | 一种先验引导的单阶段蒸馏图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272122B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097519A (zh) * | 2019-04-28 | 2019-08-06 | 暨南大学 | 基于深度学习的双监督图像去雾方法、***、介质和设备 |
| CN110363727A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放***箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
| CN111681180A (zh) * | 2020-05-25 | 2020-09-18 | 厦门大学 | 先验驱动的深度学习图像去雾方法 |
| CN112419163A (zh) * | 2019-08-21 | 2021-02-26 | 中国人民解放***箭军工程大学 | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 |
| CN113052776A (zh) * | 2021-04-09 | 2021-06-29 | 北京邮电大学 | 基于多尺度深度图像先验的无监督图像去雾方法 |
| CN113436124A (zh) * | 2021-06-29 | 2021-09-24 | 上海海事大学 | 一种应用于海洋雾天环境下的单图像去雾方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8340461B2 (en) * | 2010-02-01 | 2012-12-25 | Microsoft Corporation | Single image haze removal using dark channel priors |
-
2022
- 2022-07-31 CN CN202210912827.4A patent/CN115272122B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097519A (zh) * | 2019-04-28 | 2019-08-06 | 暨南大学 | 基于深度学习的双监督图像去雾方法、***、介质和设备 |
| CN110363727A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放***箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
| CN112419163A (zh) * | 2019-08-21 | 2021-02-26 | 中国人民解放***箭军工程大学 | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 |
| CN111681180A (zh) * | 2020-05-25 | 2020-09-18 | 厦门大学 | 先验驱动的深度学习图像去雾方法 |
| CN113052776A (zh) * | 2021-04-09 | 2021-06-29 | 北京邮电大学 | 基于多尺度深度图像先验的无监督图像去雾方法 |
| CN113436124A (zh) * | 2021-06-29 | 2021-09-24 | 上海海事大学 | 一种应用于海洋雾天环境下的单图像去雾方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《Multi-Scale Deep Residual Learning-Based Single Image Haze Removal via Image Decomposition》;Chia-Hung Yeh et al.;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;全文 * |
| 《PSD: Principled Synthetic-to-Real Dehazing Guided by Physical Priors》;Zeyuan Chen et al.;《2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;全文 * |
| 《基于多合一模型和深度先验的图像去雾算法》;王鑫;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 * |
| 《基于改进暗通道算法的单幅图像去雾研究》;张威;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115272122A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及*** | |
| CN108876735B (zh) | 一种基于深度残差网络的真实图像盲去噪方法 | |
| CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
| Hu et al. | Underwater image restoration based on convolutional neural network | |
| CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
| CN110363727B (zh) | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 | |
| CN110223251B (zh) | 适用于人工与自然光源的卷积神经网络水下图像复原方法 | |
| CN109903232A (zh) | 一种基于卷积神经网络的图像去雾方法 | |
| CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
| CN114627002A (zh) | 一种基于自适应特征融合的图像去雾方法 | |
| CN113160286A (zh) | 一种基于卷积神经网络的近红外和可见光图像融合方法 | |
| CN116363036A (zh) | 基于视觉增强的红外与可见光图像融合方法 | |
| CN112419163A (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| CN109767407A (zh) | 一种去雾过程中大气透射率图像的二次估计方法 | |
| CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 | |
| CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
| CN115272122B (zh) | 一种先验引导的单阶段蒸馏图像去雾方法 | |
| CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
| CN117036182A (zh) | 一种单幅图像去雾方法及*** | |
| CN116452450A (zh) | 一种基于3d卷积的偏振图像去雾方法 | |
| CN116363001A (zh) | 一种结合rgb和hsv颜色空间的水下图像增强方法 | |
| CN116433525A (zh) | 一种基于边缘检测函数变分模型的水下图像去雾方法 | |
| CN116137043A (zh) | 一种基于卷积和Transformer的红外图像彩色化方法 | |
| CN116109510A (zh) | 一种基于结构和纹理对偶生成的人脸图像修复方法 | |
| CN113837963B (zh) | 基于深度网络在lab颜色空间下的水下图像增强方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |