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: 2025103701656
申请人: 湖南科技大学
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.基于拉普拉斯金字塔的双分支去雾方法,其特征在于,包括如下步骤:S1、建立包含原始清晰图像和对应的有雾图像的训练数据集A;

S2、对训练数据集A进行数据增强处理;包括对输入图像进行裁剪和数据增强处理;

S3、构建基于拉普拉斯金字塔的去雾网络LPSDNet;

去雾网络LPSDNet包括多特征融合聚焦分支和拉普拉斯金字塔补充分支;当多特征融合聚焦分支和拉普拉斯金字塔补充分支完成特征提取后,通过可学习融合模块进一步融合多特征融合聚焦分支和拉普拉斯金字塔补充分支所学习的特征;

多特征融合聚焦分支包括编码器、解码器和跳跃连接;其中,编码器包括多个3×3卷积层、补充融合模块和混合聚焦注意力模块,通过编码器提取主特征信息、减小特征图的尺寸、增加特征通道数;解码器通过上采样层、SK融合模块、混合聚焦注意力模块、多个3×3卷积层,将编码器输出的特征图恢复到与原始图像相同的尺寸;在编码器和解码器之间设置1×1卷积层的跳跃连接,以动态融合浅层和深层特征;

S4、采用训练数据集A对去雾网络LPSDNet进行训练,直至预先设置的损失函数收敛;结合L1损失函数和结构损失函数作为网络训练的目标函数,得到训练好的去雾网络LPSDNet;

S5、将待去雾的图像输入训练好的去雾网络LPSDNet进行测试和验证,得到去雾结果;

步骤S3中网络将拉普拉斯金字塔补充分支提取的多尺度结构信息引入多特征融合聚焦分支,拉普拉斯金字塔补充分支采用拉普拉斯金字塔分解模块对输入的有雾图像进行多尺度分解,得到四个不同尺度的特征,拉普拉斯金字塔补充分支的输出由如下步骤得到:S31c、四个不同尺度的特征中,前三个多尺度特征传递给多特征融合聚焦分支对应的补充融合模块,后一个多尺度特征经像素填充操作将特征图尺寸扩大一倍后再传递到多特征融合聚焦分支对应的补充融合模块;

S32c、利用补充融合模块和频率增强模块对高频特征、低频特征进行增强;

S33c、再利用拉普拉斯金字塔重构模块对增强的高频特征、低频特征进行重构,以此得到拉普拉斯金字塔补充分支的输出。

2.根据权利要求1所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S3中的补充融合模块包含两个输入和一个输出,将拉普拉斯金字塔补充分支分解得到的结构信息与当前分支提取的特征进行融合;补充融合模块的操作步骤包括:S31a、针对多特征融合聚焦分支提取的特征Fd和拉普拉斯金字塔补充分支分解得到的图像特征Fp,先对输入特征Fp进行1×1的卷积操作,扩充特征图的通道数;再进行3×3的卷积操作得到特征图S32a、在通道维度上对和Fd进行特征拼接,获得拼接特征Fcat;同时在像素维度上对和Fd进行相加操作,获得特征Fadd;

S33a、对拼接后的特征Fcat进行卷积操作,实现特征和Fd的融合;

S34a、利用空间注意力模块从融合后的特征中生成特征注意力权重图;其中,空间注意力模块依次由1×1卷积、GELU激活函数、1×1卷积、Sigmoid函数组成;

S35a、将得到的注意力权重图与Fadd相乘得到特征Fframe,突出特征Fadd中的空间结构信息;

S36a、将特征Fframe与特征Fd相加得到补充融合模块的输出特征Foutput。

3.根据权利要求1所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S3中的可学习融合模块,包含两个输入和一个输出,将拉普拉斯金字塔补充分支分解得到的结构信息与当前分支提取的特征进行融合;可学习融合模块的操作步骤包括:S31b、针对多特征融合聚焦分支提取的特征Fd和拉普拉斯金字塔补充分支分解得到的图像特征Fp,先对输入特征Fp进行1×1的卷积操作,扩充特征图的通道数;再进行3×3的卷积操作得到特征图S32b、在通道维度上对和Fd进行特征拼接,获得拼接特征Fcat;同时在像素维度上对和Fd进行相加操作,获得特征Fadd;

S33b、对拼接后的特征Fcat进行卷积操作,实现特征和Fd的融合;

S34b、利用空间注意力模块从融合后的特征中生成特征注意力权重图;其中,空间注意力模块依次由1×1卷积、GELU激活函数、1×1卷积、Sigmoid函数组成;

S35b、将得到的注意力权重图与Fadd相乘得到特征Fframe,突出特征Fadd中的空间结构信息;

S36b、引入一个可学习参数a,将学习参数a与特征Fframe相乘后再与原始特征Fd相加。

4.根据权利要求1所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,通过拉普拉斯金字塔分解模块和拉普拉斯金字塔重构模块提取高频和低频特征信息,具体为,对于输入图像I,拉普拉斯金字塔分解模块将输入图像I分解为一个低频分量和若干个高频分量,计算过程如下:低频分量L的计算公式为:L=GN(I),其中,GN(·)表示对图像I进行N次高斯模糊后的结果;

第i层的高频分量Hi的计算公式如下:

Hi=Gi(I)-B(Gi+1(I)↑2)

其中,1≤i

高斯金字塔Gi(I)的计算公式为:

其中,↓2表示对图像进行下采样至原图的一半尺寸;

拉普拉斯金字塔重构为上述分解的逆过程。

5.根据权利要求1所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S32c中的频率增强模块包括两个残差块,用于提取全局结构信息并聚焦关键特征;具体为:第一个残差块利用归一化层对输入特征图x进行归一化;采用三个卷积核分别为3×3、5×5、7×7的卷积层并行提取图像的多尺度特征,并对得到的多尺度特征进行拼接,得到特征图x2;将输入特征x2与输入特征x相加得到第一残差块的输出特征y,利用卷积核大小不同的卷积操作,提取图像中的高频和低频特征信息;第二个残差块包含一个空间注意力层,用于强化已捕获的特征并充分利用频率特征。

6.根据权利要求1所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S3中混合聚焦注意力模块包括两个残差块,混合聚焦注意力模块的操作步骤包括:第一个残差块:

S31d、对于输入特征图x,第一个残差块利用归一化层对其进行归一化;

S32d、采用三个卷积核分别为3×3、5×5、7×7的卷积层并行提取图像的多尺度特征,并对得到的多尺度特征进行拼接,得到特征图x2;

S33d、将输入特征x2与输入特征x相加得到第一残差块的输出特征y;

第二个残差块:

S34d、第二个残差块利用多个注意力层进一步对特征图y进行信息提取;

S35d、利用归一化对特征图y进行归一化得到特征y1;

S36d、将特征y1分别输入到正切注意力、平方注意力、再注意力层,以获得不同的聚焦特征F1、F2、F3;

S37d、将聚焦特征F1、F2、F3进行拼接,利用通道注意力层进一步提取图像中的关键特征,得到特征y3;通道注意力层依次由全局平均池化、1×1卷积、GELU激活函数、1×1卷积、Sigmoid函数组成;

S38d、y3通过多层感知机后与特征y相加得到最终的混合聚焦注意力模块的输出O。

7.根据权利要求6所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S36d中,正切注意力层由一个残差连接和两个连续的1×1卷积层组成,第一个卷积层跟随一个GELU激活函数,第二个卷积层跟随一个Tanh激活函数,正切注意力层的公式表达如下:F1=y1⊙Tanh(PWConv(GELU(PWConv(X))))其中,Tanh表示双曲正切函数,⊙表示逐像素相乘;双曲正切函数能将注意力权重映射到介于-1和1之间的范围,其中,小于零的权重值表示对应输入位置的数据对当前任务来说是不重要或有害的。

8.根据权利要求6所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S36d中,平方注意力层的公式表达如下:F2=y1⊙Sigmoid(PWConv(GELU(PWConv(X))))2其中,Sigmoid代表Sigmoid激活函数,在平方注意力层中Sigmoid激活函数能将特征值映射为0到1的注意力权重。

9.根据权利要求6所述的基于拉普拉斯金字塔的双分支去雾方法,其特征在于,步骤S36d中,再注意力层利用连续的空间注意力,使网络逐步聚焦于重要特征,具体包括如下步骤:S36d-1:再注意力层应用空间注意力得到初步的注意力权重;

S36d-2:将初步的注意力权重与输入特征相乘,得到中间特征;

S36d-3:对中间特征执行空间注意力操作,获得精细的注意力权重;

S36d-4:将得到的注意力权重与输入相乘得到聚集特征F3;聚集特征F3的公式表达如下:X^=y1⊙Sigmoid(PWConv(GELU(PWConv(X))))F3=y1⊙Sigmoid(PWConv(GELU(PWConv(X^))))其中,X^代表再注意力层所生成的中间特征。