欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025102162189
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多尺度脉冲神经网络的图像去雾方法,包括:对输入的雾气图像进行预处理;所述预处理包括图像归一化、数据增强;

对预处理后的图像执行提取初步特征的嵌入程序;

构建一个由多尺度LIF组成的基础层;所述基础层包括多尺度卷积、LIF脉冲发放、全连接;所述全连接由LeakyReLU相连的二维卷积构成;所述构建一个由多尺度LIF组成的基础层,包括基于卷积层提取图像特征;利用图像特征进行通道混合工作;基于LIF神经元层模拟生物神经元的脉冲发放机制;进行token混合工作;基于激活函数层,将LIF神经元层的输出转换为脉冲信号;基于线性变换层,将输入特征映射图和原始图像的特征进行融合;基于激活函数层,形成神经网络的输出端口;将线性变换层和激活函数层纳入全连接神经网络层;将每一个全连接神经网络层连接形成全连接;

将图像输入LIF的脉冲发放结构,以形成模拟生物神经元的脉冲发放机制;

对LIF Module的输出的图像进行drop path正则化操作;

输入图像至全连接层,进行正则化处理;

使用SK-fusion对图像进行特征融合;

返回所述对预处理后的图像执行提取初步特征的嵌入程序,直至循环次数为数值N;N为正整数;

对输出的图像进行取消嵌入;

将嵌入后的特征图还原,以实现图像去雾。

2.根据权利要求1所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述对输入的雾气图像进行预处理,包括:将数据按比例缩放,使其像素值落入[-1, 1]之间范围。

3.根据权利要求2所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述将图像输入LIF的脉冲发放结构,以形成模拟生物神经元的脉冲发放机制,包括:基于LIF,形成MLP神经网络层;

利用MLP神经网络层将输入特征转换为嵌入向量;

基于嵌入向量,形成脉冲发放结构中脉冲神经元模块的输入参量。

4.根据权利要求3所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述基于LIF,形成MLP神经网络层,包括:在第一个MLP层中添加一个dwconv;

基于LIF替换MLP层的AxialShift;

基于MLP层的水平LIF,将图像特征的水平方向上积累和传播信息;

基于MLP层的垂直LIF,将图像特征的垂直方向上积累和传播信息。

5.根据权利要求4所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述将图像输入LIF的脉冲发放结构,以形成模拟生物神经元的脉冲发放机制,还包括:利用图像特征的水平方向上积累和传播信息、图像特征的垂直方向上积累和传播信息,模拟生物神经元的脉冲发放机制,以进行特征混合。

6.根据权利要求3所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述基于多尺度脉冲神经网络的图像去雾算,还包括LIF模型的行为建模:当时,膜电位随时间衰减并接收外部输入:

当膜电位达到阈值时,神经元发放脉冲,膜电位重置为:,

其中是膜电位,是来自上层的输入,是时间系数,是输出,是这个神经元的点火阈值,当脉冲被触发时,膜电位u被重置为,式中的t代表的是分组的索引。

7.根据权利要求6所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述基于多尺度脉冲神经网络的图像去雾算,还包括全精度LIF建模:我们将输出的1替换为u,让原来的二值化输出变为线性输出,这样就保留了全精度信息,将全精度LIF模型应用于迭代LIF,得到:权重矩阵的转置,是输入特征,rt+1n是t+1步的最终全精度输出,ot+1n是一个记录t+1步输出状态的临时变量,系数和为神经网络学习参量。

8.根据权利要求7所述的基于多尺度脉冲神经网络的图像去雾方法,其特征在于:所述基于多尺度脉冲神经网络的图像去雾算,还包括显式迭代LIF神经元的链式法则的反向传播模型建模:其中,L是像素值的动态范围。