基于多支路金字塔大核卷积网络的海上图像去雾方法

技术特征：
1.一种基于多支路金字塔大核卷积网络的海上图像去雾方法，其特征在于，包括：获取待处理图像；将所述待处理图像输入预先训练的多支路金字塔的大核编码解码网络，得到去雾图像；其中，所述支路金字塔的大核编码解码网络包括第一模块、第二模块、多支路金字塔模块、自注意力机制模块、全局路径聚合模块。2.如权利要求1所述的方法，其特征在于，所述第一模块用于针对所述待处理图像进行深度卷积，包括依次连接的一级卷积层、二级卷积层、三级卷积层和四级卷积层；所述第一模块中通道数量为64。3.如权利要求2所述的方法，其特征在于，所述第一卷积层的深度为3
×
3的卷积层；所述第二卷积层的深度为7
×
7的卷积层；所述第三卷积层的深度为1
×
1的卷积层；所述第四卷积层的深度为7
×
7的卷积层。4.如权利要求1所述的方法，其特征在于，所述第二模块包括第一处理单元和第二处理单元；所述第一处理单元的输出端和所述第二处理单元的输入端进行逐像素相加；所述第一处理单元包括依次连接的批归一化、第一1
×
1卷积层、第二13
×
13卷积层和第三1
×
1卷积层；所述第二处理单元包括依次连接的批归一化、第四1
×
1卷积层、swish激活函数和第五1
×
1卷积层。5.如权利要求1所述的方法，其特征在于，所述多支路金字塔模块包括第一支路和第二支路；所述第一支路包括依次连接的第一阶梯单元、第一转换单元、第二阶梯单元、第二转换单元、第三阶梯单元、第四阶梯单元、第一上采样单元、第五阶梯单元、第二上采样单元和第六阶梯单元；所述第二支路包括依次连接的一级阶梯单元、一级转换单元、二级阶梯单元、二级转换单元、三级阶梯单元、三级转换单元、四级阶梯单元、五级阶梯单元、一级上采样单元、六级阶梯单元、二级上采样单元、七级阶梯单元、三级上采样单元和八级阶梯单元。6.如权利要求1所述的方法，其特征在于，所述自注意力机制模块包括第一全局平均池化层、第一全连接层和第二全连接层；所述全局平均池化层、第一全连接层和第二全连接层依次连接，生成待处理图像的注意力得分，并基于所述注意力得分，获取包含注意力的特征。7.如权利要求6所述的方法，其特征在于，所述全局路径聚合模块包括依次连接的第二全局平均池化层、第三全连接层、第四全连接层和上采样层，得到全局特征；所述全局特征和所述包含注意力的特征进行逐像素聚合，得到局部-全局混合特征；将所述局部-全局混合特征通过全局3x3卷积层和全局上采样进行处理，得到去雾图像；通过组合损失函数判别所述去雾图像的去雾等级，当所述去雾等级大于预设的阈值时，判定所述去雾图像符合要求。8.如权利要求7所述的方法，其特征在于，所述组合损失函数对应的计算式如下：l
total
＝α1l
adv
α2l
mse
α3l
per
其中，所述l
adv
表示对抗性损失函数表达式；l
mse
表示mse损失函数表达式；l
per
表示感知相似性损失函数表达式；α1表示对抗性损失所占的权重配置参数；α2表示mse损失所占的权重配置参数；α3表示感知相似性损失所占的权重配置参数。9.如权利要求1所述的方法，其特征在于，所述对抗性损失函数表达式l
adv
如下：其中，b表示小批次中的样本数量，i＝1,2,
…
,b；d()表示判别器的输出；g()表示生成的图像；z表示输入的有雾图像；所述mse损失函数表达式l
mse
如下：其中，k表示生成图像中的像素数量，j＝1,2,
…
,k，r表示真实无雾图像；所述感知相似性损失函数表达式l
per
如下：其中，p表示vgg 16模型中conv3-3层输出特征图中的元素数量，n＝1,2,
…
,p。10.如权利要求1所述的方法，其特征在于，所述将所述待处理图像输入预先训练的多支路金字塔的大核编码解码网络之前，还包括：将所述待处理图像通过暗通道先验方法进行一级处理，得到待处理图像的雾深估计子信息；将所述待处理图像的雾深估计子信息和待处理图像进行图像融合，得到一级输入图像；将所述一级输入图像输入预先训练的多支路金字塔的大核编码解码网络。

技术总结
本发明提供了一种基于多支路金字塔大核卷积网络的海上图像去雾方法，包括：获取待处理图像；将所述待处理图像输入预先训练的多支路金字塔的大核编码解码网络，得到去雾图像；其中，所述支路金字塔的大核编码解码网络包括第一模块、第二模块、多支路金字塔模块、自注意力机制模块、全局路径聚合模块。本发明通过构建多支路特征金字塔架构组成反射预测、着色预测和语义预测的混合表征空间解决海上图像去雾清晰化任务，同时引入重参数化方法，形成由大量不同感受野堆叠的组合式模型并进一步使得组合感受野更加丰富。得组合感受野更加丰富。得组合感受野更加丰富。


技术研发人员：姜月秋 杨威 高宏伟 张昕
受保护的技术使用者：沈阳理工大学
技术研发日：2022.08.31
技术公布日：2022/11/22