一种基于深度学习的图像去雾方法与流程

技术特征：
1.一种基于深度学习的图像去雾方法，其特征在于，包括如下步骤：采集雾天图像数据和晴天图像的数据，构建晴雾成对数据集；构建优化的图像去雾pix2pix模型；输入晴雾成对数据集，进行模型训练；输入雾天图像进行去雾处理。2.根据权利要求1所述一种基于深度学习的图像去雾方法，其特征在于，所述采集雾天图像和晴天图像的数据，构建晴雾成对数据集包括：采集不同位置的雾天图像数据，去除模糊等低质量数据，筛选得到高质量数据；根据雾天图像数据采集对应位置的晴天图像数据；构建晴雾成对数据集。3.根据权利要求1所述一种基于深度学习的图像去雾方法，其特征在于，所述优化的图像去雾pix2pix模型包括：增大生成器网络的输入尺寸，生成器网络使用unet3plus网络；损失函数由l1loss换为ssimloss。4.根据权利要求1所述一种基于深度学习的图像去雾方法，其特征在于，所述输入晴雾成对数据集，进行模型训练具体包括：通过随机变换扩充晴雾成对数据集，并将输入图像缩放到1024*1024；从上述的缩放图像中剪切出512*512的局部图像，形成局部图像晴雾成对数据集；将局部图像晴雾成对数据集输入优化的图像去雾pix2pix模型。5.根据权利要求1所述一种基于深度学习的图像去雾方法，其特征在于，所述模型训练后还包括：验证模型效果、生成图像质量评估；当图像质量评估为低质量图像时，继续局部图像晴雾成对数据集输入优化的图像去雾pix2pix模型进行训练；当图像质量评估为高质量图像时，所述优化的图像去雾pix2pix模型用于现场图像的处理。6.根据权利要求4所述一种基于深度学习的图像去雾方法，其特征在于，所述随机变换包括：在-45度到45度范围内随机旋转、随机翻转。7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～6任一项所述一种基于深度学习的图像去雾方法。8.一种实现如权利要求1-6任意一项所述方法的非瞬态计算机可读介质，其特征在于，所述非瞬态计算机可读介质上包括机器可执行指令，所述机器可执行指令用于执行上述的方法。

技术总结
一种基于深度学习的图像去雾方法，包括如下步骤：采集雾天图像数据和晴天图像的数据，构建晴雾成对数据集；构建优化的图像去雾Pix2Pix模型；输入晴雾成对数据集，进行模型训练；输入雾天图像进行去雾处理。本发明提出了一种高分辨率的网络结构，能够处理高分辨率的输电图像，利用结构相似性来聚焦于全局信息，可以适用较为复杂的图像信息，从而提升输电通道图像去雾效果。道图像去雾效果。道图像去雾效果。


技术研发人员：徐鹏翱 张磊 方亮 王飞 朱言庆
受保护的技术使用者：智洋创新科技股份有限公司
技术研发日：2022.11.09
技术公布日：2023/2/3