基于潜在层次化迁移网络的早期火情监控图像去烟方法

本发明涉及图像复原，具体涉及一种基于潜在层次化迁移网络的早期火情监控图像去烟方法。

背景技术：

1、火灾初期阶段的快速干预对于减少人员伤亡和结构损害至关重要。自动化监控系统作为应急响应的前沿，需要提供清晰的视觉信息以定位火源、识别被困人员。然而，燃烧过程不可避免地产生大量烟雾，严重损害光学能见度，为下游视觉任务创造了重大瓶颈，亟需专门的烟雾去除解决方案。

2、早期的图像复原方法依赖于对比度拉伸、直方图均衡和retinex理论等低层次增强手段，仅在像素强度上操作，忽略了退化的底层物理原理，常导致不自然的伪影。后续研究引入了大气散射模型，并发展出暗通道先验等手工先验方法进行去雾。然而，这些方法通常假设均匀的大气光和空间平滑的散射系数，而火灾烟雾表现出无定形几何、非均匀密度和丰富的非刚性纹理特征，违反了经典先验的基本假设，导致在结构保持和完全烟雾去除方面表现不佳。

3、基于深度学习的方法在建模复杂退化方面取得了进展。卷积神经网络和生成对抗网络能够学习退化映射，但通常在固定网格上操作，限制了对火灾烟雾不规则边界的建模灵活性。基于transformer的架构虽能捕获长程依赖，但若未与局部特征精炼适当平衡，容易忽视高频细节，难以从复杂背景中分离致密、非均匀的烟雾区域。因此，需要一种能够自适应地处理火灾烟雾不规则形态和非均匀分布特性的图像去烟方法.

技术实现思路

1、针对现有技术中的上述不足，本发明提供的基于潜在层次化迁移网络的早期火灾场景监控图像去烟方法，解决了现有去雾去烟方法无法有效处理火灾烟雾形态不规则、密度非均匀导致的结构遮蔽和色彩失真问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，包括如下步骤：

4、s1、获取含烟监控图像，并将含烟监控图像输入可变形基础编码器，提取多尺度潜在特征图集合；

5、s2、将多尺度潜在特征图集合中的每个特征图输入循环特征注意力模块进行特征自适应，得到自适应特征集合；

6、s3、残差重建解码器从最深层的自适应特征开始，逐层上采样并与浅层自适应特征通过跳跃连接融合，生成多级解码特征；

7、s4、将最高分辨率解码特征通过最终模块预测残差图，将残差图与含烟监控图像相加，得到去烟图像；

8、s5、采用复合损失函数对lht-net模型进行端到端训练。

9、进一步的，所述s1中：

10、可变形基础编码器采用预训练的internimage模型作为基础架构，其核心算子为dcnv4可变形卷积，所述dcnv4可变形卷积在位置处的输出的计算方式为：

11、

12、式中，g为聚合分组数；k为卷积核大小；为分组共享投影权重；为固定网格偏移量；为可学习的采样偏移量，使采样网格自适应地对齐烟雾的不规则边界；为调制标量，dcnv4移除了先前版本中的softmax归一化约束，使算子能够对非均匀烟雾产生强激活响应；

13、多尺度潜在特征图的提取过程为：

14、,

15、其中，表示第i阶段的dcn模块堆叠；表示第i阶段的下采样操作；为含烟图像经过第i阶段茎模块处理后的特征。

16、进一步的，所述s2具体包括如下步骤：

17、s21、将输入特征图经过残差卷积预处理模块提取基础特征；

18、s22、对基础特征进行循环注意力迭代，每次迭代t∈{1, 2}依次执行通道注意力和像素注意力操作：

19、

20、

21、其中，为第t步通道注意力权重，为第t步像素注意力权重，为逐元素乘法；

22、s23、将原始特征与经过两次循环精炼后的特征逐元素相加，得到循环特征注意力模块的输出。

23、进一步的，所述通道注意力权重的计算方式为：

24、

25、式中，为通道注意力权重，为全局平均池化；σ为sigmoid激活函数；δ为relu激活函数；为1×1卷积操作。

26、进一步的，所述像素注意力权重的计算方式为：

27、

28、式中，为像素注意力权重，σ为sigmoid激活函数；δ为relu激活函数，为1×1卷积操作。

29、进一步的，所述s3中残差重建解码器的特征融合过程为：

30、,

31、,

32、其中，为第i层上采样输出的融合特征，为第i层上采样模块；为特征拼接操作；为循环特征注意力模块输出的第i层自适应特征。

33、进一步的，所述s4中去烟图像的计算过程为：

34、

35、式中，分别表示编码器、自适应模块、解码器和最终模块。

36、进一步的，所述s5中复合损失函数的表达式为：

37、,

38、其中，为像素级重建损失，用于确保像素级别的还原精度；为结构相似性损失，用于保持局部结构信息；为感知损失，基于预训练的vgg-16网络提取的特征图计算，用于保持感知一致性；为对抗损失，用于提高重建图像的真实感；α、β和γ分别为平衡各损失项的正权重系数。

39、本发明具有以下有益效果：

40、（1）本方案通过引入基于dcnv4可变形卷积的预训练internimage编码器，利用可变形卷积的自适应采样能力，使网络的感受野能够动态对齐火灾烟雾的不规则形态和非刚性边界，克服了传统固定网格卷积无法有效建模无定形烟雾结构的局限性，实现了对火灾烟雾特有的结构和光学特性的精准特征提取。

41、（2）本方案设计了一种循环特征注意力（cfa）模块，通过通道注意力和像素注意力的循环迭代耦合，在通道维度上自适应增强包含烟雾伪影和高频细节的特征通道，在空间维度上精确定位非均匀烟雾区域并与背景区分，有效实现了从复杂背景纹理中分离烟雾伪影的精细化特征精炼，解决了直接特征融合导致烟雾干扰重新引入的问题。

42、（3）本方案采用残差学习策略，通过学习输入到残差的映射而非直接学习干净图像，显式利用了输入图像中的高频信息，确保了去烟过程中的结构保持性，避免了传统方法可能导致的结构失真和纹理模糊问题。

43、（4）本方案在smokebench数据集上取得了最优的定量指标和视觉复原质量，同时实现了最快的推理速度，在复原质量和计算效率之间实现了良好平衡，适用于实时早期火灾监控场景。

1.一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述s1中：

3.根据权利要求1所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述s2具体包括如下步骤：

4.根据权利要求3所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述通道注意力权重的计算方式为：

5.根据权利要求3所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述像素注意力权重的计算方式为：

6.根据权利要求1所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述s3中残差重建解码器的特征融合过程为：

7.根据权利要求1所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述s4中去烟图像的计算过程为：

8.根据权利要求1所述的一种基于潜在层次化迁移网络的早期火情监控图像去烟方法，其特征在于，所述s5中复合损失函数的表达式为：