CN115689932B 一种基于深度神经网络的图像去雾方法 （重庆邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115689932B(45)授权公告日2025.07.01

(21)申请号202211398228.1

(22)申请日2022.11.09

(65)同一申请的已公布的文献号申请公布号CN115689932A

(43)申请公布日2023.02.03

(73)专利权人重庆邮电大学

地址400065重庆市南岸区黄桷垭崇文路2

号

(72)发明人王昊波周应华

(74)专利代理机构北京同恒源知识产权代理有限公司11275

专利代理师廖曦

(51)Int.CI.

GO6T5/70(2024.01)

GO6T5/60(2024.01)

GO6T5/10(2006.01)

GO6V10/774(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/0455(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

HaoboWang等.ImageDefoggingMethodbasedonMulti-ScaleandFrequencyDomainFeatures.《ICIAI2023,》.2023,66-71.

审查员黄文琪

权利要求书2页说明书7页附图3页

(54)发明名称

一种基于深度神经网络的图像去雾方法

(57)摘要

本发明涉及一种基于深度神经网络的图像去雾方法，属于图像处理领域。获取雾图与无雾图的图像数据；创建包含双域多尺度特征融合模块的深度神经网络，使得模型能更好的提取图像中的各种细节特征；训练和测试所述的神经网络，得到图像去雾网络模型；利用训练好的深度神经图像去雾网络模型对雾图进行除雾，输出无雾图。本发明提供的深度神经去雾网络能更有效地提取到来自图像空域以及频域的特征，并且对于复杂环境以及低能见度下的图像的去雾也取得了很好的效果。本发明可以用于在雾霾天气下的目标检测、自动驾驶中的交通标志检测等任

CN

CN115689932B

创建数据集，进行标注并划分

创建数据集，进行标注并划分

创建包含空域特征融合模块、频域特征提取模块的深度神经网络

使用数据集对深度神经网络模型进行训练和测试

利用训练好的网络模型对图像去雾

CN115689932B权利要求书1/2页

2

1.一种基于深度神经网络的图像去雾方法，其特征在于：该方法包括以下步骤：

S1:获取雾图与对应的无雾图数据，划分训练集和测试集；

S2:创建包含空域多尺度特征融合模块、频域特征提取模块的深度神经网络模型；

S21:确定所述的图像去雾深度神经网络模型，以编码-解码网络作为空域特征融合网络的基础结构，对其进行修正，特征提取网络添加三个具有空洞卷积的残差块，并将每个残差块提取到的特征进行融合，保证在提取到深层次特征的同时，也保留浅层次的特征，保证去雾后的图像的各个细节特征尽可能地还原；同时在网络中引入频域特征提取子网络，将频域特征提取子网络加入到主干网络中，保证对图像的特征进行多层次、多尺度的提取，保证图像去除雾气的彻底性以及图像细节和边缘的还原；

S22:整体网络结构分为空域特征提取子网络以及频域特征提取子网络，然后经过拼接将空域特征子网络与频域特征提取子网络分别提取到的特征图进行相加融合，最后进行反卷积与卷积操作，恢复图像尺寸，输出清晰图像；

S23:空域特征提取子网为两次卷积、一次下采样卷积操作以及三个空洞卷积Res-Block模块的空域特征提取子网络，并将每次经历Res-Block空洞卷积的输出进行拼接操作得到子网络的最终输出；而空洞卷积Res-Block模块包含平滑空洞卷积块、残差块、BN层以及Relu层；平滑空洞卷积块利用空洞卷积，分别设置空洞率为2和3,分别进行空洞卷积后进行堆叠，进而消除网格伪影问题；而空洞卷积实际感受野大小为：

K=k+(k-1)(r-1)(2)

k为原始卷积核大小，设置为3x3,而r为空洞率；采用BN层以及