买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明提供了一种单幅图像深度展开循环去雾方法，多任务框架利用深度预测任务辅助求解去雾线索，利用循环解码器来综合不同特征之间的相关性，迭代求解去雾图像。本发明将深度召开循环去雾方法应用到自然含雾图像，真实图像实验表明，较于相较于目前的图像去雾网络，本发明在抑制过去雾和欠去雾问题方面效果更优，可以大大提高含雾图像的图像质量。

主权项：1.一种单幅图像深度展开循环去雾方法，其特征在于，包含以下步骤：步骤1，通过利用编码器对输入的含雾图像进行特征提取，得到基于输入含雾图像的特征编码；步骤2，对步骤1得到的基于含雾图像的特征编码，利用循环解码器进行解码处理，得到去雾图像和深度预测图像，具体包括以下子步骤：步骤2.1，对来自步骤1中编码器输出的基于输入含雾图像的特征编码和第t-1次循环解码器的输出的特征编码进行通道拼接；循环解码器的处理过程为： 式中，Gt为循环解码器的输入特征，为第t次解码的去雾图像，为第t次解码的深度预测图像，R为循环解码器，θ2为循环解码器的参数，为第t次解码的处理后的特征，其可以再次被同一参数的循环解码器进行多次解码，从而实现显式可调的网络深度；进行通道拼接的实现方式为：Gt＝[F0,Ft-1]2式中，F0为步骤1中编码器E输出的基于输入含雾图像的特征编码，Ft-1为解码器的第t-1次输出的特征，为拼接后的特征；步骤2.2，对于步骤2.1得到的特征编码，利用元通道自注意力层进行特征加权，从而分别得到与深度预测任务和图像去雾任务适配的加权后的特征；步骤2.2的具体实现方式如下： 其中，MCA是元通道自注意力层，为分发给去雾分支的特征，为分发给深度预测分支的特征，θdepth和θdehaze分别为两个分支的MCA的参数；步骤2.3，对步骤2.2得到的加权后的特征分别利用长短期记忆单元聚合历史信息，输出去雾图像和深度预测图像：步骤2.3的具有实现方式如下： 式中，和分别表示去雾分支和深度预测分支的LSTM第t次循环的细胞状态，和分别表示去雾分支和深度预测分支LSTM的第t次循环的隐藏状态，θdehaze表示去雾分支的LSTM的参数，θdepth表示深度预测分支的LSTM的参数，为第t次循环输出的去雾图像，为第t次循环输出的深度预测图像；如t≥T满足去雾的要求，则输出去雾图像；若不满足要求，则使t＝t+1并重复步骤2。

全文数据：

权利要求：

百度查询： 武汉大学 单幅图像深度展开循环去雾方法