基于注意力机制与细节增强双分支网络的图像去尘雾方法

1.本发明涉及煤矿图像领域，特别是涉及一种基于注意力机制与细节增强双分支网络的图像去尘雾方法。


背景技术：

2.随着人工智能技术的不断进步和煤矿智能化的持续发展，计算机视觉在保障煤矿安全生产、提高煤炭开采效率和煤矿智能化水平等方面的作用愈加突出。但由于煤矿井下煤尘颗粒物又多又大、水雾较多、光照不均匀等复杂环境，通过计算机视觉获取的图像存在能见度和对比度较低、细节信息模糊以及亮度不均等缺点，不利于识别矿井下目标。因此，研究煤矿井下图像去尘去雾具有重要意义。
3.随着深度学习的快速发展，深度学习去尘雾方法成为研究的主流，主要分为：利用神经网络估计沙尘和雾天图像的成像模型参数的方法和直接利用神经网络获取清晰图像的方法。但现有方法在处理煤矿图像时，由于煤矿开采过程中存在人工光源、煤尘颗粒度大以及尘雾浓度高等问题，会导致整体亮度偏暗或加重曝光、去尘雾效果不明显以及图像细节模糊等问题。


技术实现要素：

4.针对现有技术中的上述不足，本发明提供的基于注意力机制与细节增强双分支网络的图像去尘雾方法解决了现有去尘雾方法整体亮度偏暗或加重曝光、去尘雾效果不明显以及图像细节模糊的问题。
5.为了达到上述发明目的，本发明采用的技术方案为：一种基于注意力机制与细节增强双分支网络的图像去尘雾方法，包括以下步骤：
6.s1：利用限制对比度自适应直方图均衡化方法分别对煤矿图像的r通道、g通道和b通道进行均衡处理后融合，获得光线均匀的煤矿图像；
7.s2：利用基于注意力机制的去尘雾分支网络对光线均匀的煤矿图像进行初步去尘雾，获得去尘雾图和传输估计值，同时利用细节增强分支网络对光线均匀的煤矿图像通过多尺度空洞卷积和单卷积从全局和局部增强细节，获得细节特征图；
8.s3：对去尘雾图和细节特征图进行拼接，输出新的去尘雾图，并利用重构损失和先验损失构成新的组合损失函数，优化双分支网络去尘雾效果，获得最终的去尘雾图像。
9.上述方案的有益效果是：本发明利用基于注意力机制的去尘雾分支网络和细节增强分支网络构成基于注意力机制与细节增强双分支网络，其中利用基于注意力机制的去尘雾分支网络实现初步去尘雾，利用细节增强分支网络获取更具代表性的细节特征，为进一步优化去尘雾效果，通过先验损失和重构损失来减少图像域间的差异和提高图像质量。解决了现有去尘雾方法整体亮度偏暗或加重曝光、去尘雾效果不明显以及图像细节模糊的问题。
10.进一步地，s2中基于注意力机制的去尘雾分支网络以msbdnet中的u型结构主干网
络为基础，通过设计新的残差密集块分别对msbdnet的编码结构、特征恢复结构和解码结构进行改进，获得改进的编码结构、改进的特征恢复结构和改进的解码结构。
11.上述进一步方案的有益效果是：去尘雾分支网络以msbdnet中的u型结构主干网络为基础，针对原主干网络存在细节特征不足以及去尘雾效果不佳等问题，本方案提出了不同于原网络的残差密集块，并基于该模块对原网络的编码结构、特征恢复结构以及解码结构进行不同改进，优化原网络的不足。
12.进一步地，残差密集块包括依次连接的密集连接层、局部特征融合层和局部残差学习层，在所述局部特征融合层后依次加入通道注意力机制和空间注意力机制，用于不均匀尘雾图像的特征关注和提取。
13.上述进一步方案的有益效果是：通过加入通道注意力机制和空间注意力机制，更好融合不同通道信息以及提高残差密集块的判别学习能力，实现不均匀尘雾图像的特征关注与提取。
14.进一步地，改进的编码结构包括4个依次连接的基于注意力残差密集组，每个基于注意力残差密集组包括3个依次连接的残差密集块和1个轻量化注意力机制，所述轻量化注意力机制与残差密集块连接。
15.上述进一步方案的有益效果是：通过增加轻量化注意力机制，增强对目标区域的特征信息提取，通过关注有效特征，进一步提取更关键的信息以及提高信息处理的灵敏度。
16.进一步地，改进的特征恢复结构包括3个依次连接的残差密集块。
17.上述进一步方案的有益效果是：特征恢复结构使用设计的残差密集块块数相较于msbdnet减少为3个，避免了残差密集块随着数量越多，对煤矿尘雾的提取关注越高问题。
18.进一步地，改进的解码结构包括4个依次连接的残差密集组，每个残差密集组包括3个依次连接的残差密集块。
19.上述进一步方案的有益效果是：通过上述技术方案，新的输出方式获得的输出粗略去尘雾图可与细节增强分支输出特征图构成精去尘雾图，同另一个输出分支生成传输图搭建物理模型。基于该模型进行去尘雾可以为网络训练指定任务特定的优化目标，并使整个训练过程具有可解释性。
20.进一步地，s2中细节增强分支网络包括全局分支和局部分支，所述全局分支通过光滑空洞卷积获取全局信息特征，所述局部分支采用单卷积层对局部细节特征进行提取，所述光滑空洞卷积包括依次连接的分离共享卷积和空洞卷积。
21.上述进一步方案的有益效果是：细节增强分支网络由两个分支组成，被用来弥补基于注意力机制去尘雾分支网络在处理煤矿下尘雾图像时产生的信息丢失，恢复重建图像的细节。
22.进一步地，s3中重构损失用于计算输入图像与重构有雾图像间的损失，重构有雾图像基于ifsm模型实现，所述ifsm模型包括以下公式：
23.i(x)＝j(x)t2(x)+a(1-t(x))
24.其中，i(x)为观测到的有雾图像，j(x)为无尘雾图像，t(x)为描述光未被散射而到达目标物体部分的透射率，a为全球大气光；
25.重构损失函数l1为
[0026][0027]
其中，i为输入图像，为由双分支网络以及a-net网络的输出共同进行重构的含尘雾图，||
·
||1表示范数。
[0028]
上述进一步方案的有益效果是：利用上述计算输入图像与重构有雾图间的损失，而ifsm模型充分考虑了光的两次衰减，因此相较于传统的大气散射模型更适合描述工业场景中的图像形成。
[0029]
进一步地，s3中先验损失包括暗通道损失和亮通道损失，用于优化去尘效果，所述先验损失通过暗通道损失和亮通道损失获取真实煤矿图像传输估计值，所述暗通道损失和亮通道损失包括以下公式：
[0030][0031][0032]
其中，l
dcp
为暗通道损失，l
bcp
为亮通道损失，t1为暗通道的传输估计值，t2为亮通道的传输估计值，为双分支网络的传输估计值，la为laplacian矩阵，t为矩阵的转置，λ为超参数；
[0033]
则先验损失l
pior
为
[0034]
l
pior
＝l
dcp
+l
bcp
[0035]
则组合损失函数l为
[0036]
l＝l1+l
pior
。
[0037]
上述进一步方案的有益效果是：通过上述技术方案，利用物理先验算法构成的先验损失弥补公共数据集与真实煤矿井下差异、促进去尘雾效果以及提高图像整体质量。
附图说明
[0038]
图1为基于注意力机制与细节增强双分支网络的图像去尘雾方法流程图。
[0039]
图2为基于注意力机制与细节增强双分支网络结构图。
[0040]
图3为基于注意力机制的去尘雾分支网络结构图。
[0041]
图4为残差密集块结构图。
[0042]
图5为细节增强分支网络结构图。
[0043]
图6为真实煤矿图像各算法实验结果对比图。
[0044]
图7为加入不同模块实验结果对比图。
具体实施方式
[0045]
下面结合附图和具体实施例对本发明做进一步说明。
[0046]
如图1和图2所示，一种基于注意力机制与细节增强双分支网络的图像去尘雾方法，包括以下步骤：
[0047]
s1：利用限制对比度自适应直方图均衡化方法分别对煤矿图像的r通道、g通道和b通道进行均衡处理后融合，获得光线均匀的煤矿图像；
[0048]
s2：利用基于注意力机制的去尘雾分支网络对光线均匀的煤矿图像进行初步去尘
雾，获得去尘雾图和传输估计值，同时利用细节增强分支网络对光线均匀的煤矿图像通过多尺度空洞卷积和单卷积从全局和局部增强细节，获得细节特征图；
[0049]
s3：对去尘雾图和细节特征图进行拼接，输出新的去尘雾图，并利用重构损失和先验损失构成新的组合损失函数，优化双分支网络去尘雾效果，获得最终的去尘雾图像。
[0050]
如图3所示，s2中基于注意力机制的去尘雾分支网络以msbdnet中的u型结构主干网络为基础，通过设计新的残差密集块分别对msbdnet的编码结构、特征恢复结构和解码结构进行改进，获得改进的编码结构、改进的特征恢复结构和改进的解码结构。
[0051]
本实施例对原主干网络存在细节特征不足以及去尘雾效果不佳等问题，设计新的残差密集块，并基于该残差密集块对msbdnet的编码结构、特征恢复结构和解码结构进行不同的改进。
[0052]
如图4所示，残差密集块包括依次连接的密集连接层、局部特征融合层和局部残差学习层，在所述局部特征融合层后依次加入通道注意力机制和空间注意力机制，用于不均匀尘雾图像的特征关注和提取。
[0053]
残差密集块的前两个卷积层用于增加特征图，残差密集块通过局部密集连接使得每一层都可以访问所有后续层并传递需要保留的特征。最后一层作为局部特征融合，实现特征图融合。局部特征融合的输出再通过局部残差学习与当前残差密集块的输入相结合。最后，为更好融合不同通道信息以及提高残差密集块的判别学习能力，本方案在局部特征融合层后加入通道注意力和空间注意力机制，实现不均匀尘雾图像的特征关注与提取。
[0054]
改进的编码结构包括4个依次连接的基于注意力残差密集组，每个基于注意力残差密集组包括3个依次连接的残差密集块和1个轻量化注意力机制，所述轻量化注意力机制与残差密集块连接。
[0055]
为更好获取煤矿图像护帮板、采煤机截齿以及工作人员的特征信息，在rdb基础上加入一个轻量化注意力机制，轻量化注意力机制更集中于目标区域信息的提取，通过关注有效特征，进一步提取更关键的信息以及提高信息处理的灵敏度。
[0056]
改进的特征恢复结构包括3个依次连接的残差密集块。
[0057]
为了避免出现大块尘团无法去除的问题，特征恢复结构的密集残差块被减少为3个，保留细节特征同时减少对雾尘特征的保留与提取。与原网络差异在于残差密集块结构改变和残差密集块数量的减少。残差密集块的数量由原网络的18个减少为3个。避免了残差密集块随着数量越多，对煤矿尘雾的提取关注越高问题。
[0058]
所述改进的解码结构包括4个依次连接的残差密集组，每个残差密集组包括3个依次连接的残差密集块。
[0059]
由于基于物理模型进行去尘雾可以为网络训练指定任务特定的优化目标，并使整个训练过程具有可解释性。本方案改变原网络直接输出无雾图像方式，将输出改成两个分支，方便后续重构有雾图以及训练阶段保证重构图像的结构和细节。每个分支包含两个卷积层，一支用于生成传输图t(x)，另一支生成粗略去尘雾图。输出传输图t(x)的分支包含64
×
64和16
×
16两个卷积层；输出粗略去尘雾图的分支为两个64
×
64的卷积层。
[0060]
如图5所示，s2中细节增强分支网络包括全局分支和局部分支，所述全局分支通过光滑空洞卷积获取全局信息特征，所述局部分支采用单卷积层对局部细节特征进行提取，所述光滑空洞卷积包括依次连接的分离共享卷积和空洞卷积。
[0061]
在全局分支中，输入特征图首先经过一个1
×
1卷积层，通过3个不同扩张因子的并行扩张卷积(扩张率分别为1，3，5)，得到具有不同感受野的特征图，并将它们拼接在一起。最后采用1
×
1卷积层调整通道数，实现跨通道交互和信息集成。并将原始输入特征图与上述1
×
1卷积层的输出特征图进行拼接。在局部分支中，只采用单卷积层，避免了深度卷积较大的感受野无法关注细节的问题。通过叠加操作将局部特征信息与全局信息合并，使局部细节信息得到更好的补充。叠加操作后再进行一个卷积层操作，将级联后的特征图实现进一步的通道调整和信息融合，得到最终的输出特征图。在这个过程中，为避免空洞卷积产生网格伪影，本方案使用的扩张卷积由一个分离共享卷积和一个空洞卷积组成。
[0062]
为更好优化网络，本文通过结合重构损失和先验损失提高真实煤矿环境下图像去尘雾效果。通过重构损失在基于注意力机制与细节增强双分支煤矿去尘雾网络与dcpdn中a-net网络间建立连接，用于计算输入图像与重构有雾图间的损失。为更好得弥补公共数据集与真实煤矿井下差异、促进去尘雾效果以及提高图像整体质量，利用暗通道、亮通道共同构成先验损失优化去尘效果，获取最终去尘雾图像。
[0063]
s3中重构损失用于计算输入图像与重构有雾图像间的损失，重构有雾图像基于ifsm模型实现，不同于自然雾天环境下使用的大气散射模型，本发明使用的是ifsm模型，充分考虑了光的两次衰减，相较于传统的大气散射模型更适合描述工业场景中的图像形成。所述ifsm模型包括以下公式：
[0064]
i(x)＝j(x)t2(x)+a(1-t(x))
[0065]
其中，i(x)为观测到的有雾图像，j(x)为无尘雾图像，t(x)为描述光未被散射而到达目标物体部分的透射率，a为全球大气光；
[0066]
重构损失函数l1为
[0067][0068]
其中，i为输入图像，为由双分支网络以及a-net网络的输出共同进行重构的含尘雾图，||
·
||1表示范数。
[0069]
先验损失主要是通过暗通道和亮通道获取真实煤矿图像传输估计值，引导优化图像去尘去雾网络分支输出传输估计值，减少公共数据集与真实煤矿井下差异。其中，暗通道促进煤矿图像去尘去雾，亮通道用于改善暗通道处理图像后整体偏暗现象。
[0070]
s3中先验损失包括暗通道损失和亮通道损失，用于优化去尘效果，所述先验损失通过暗通道损失和亮通道损失获取真实煤矿图像传输估计值，所述暗通道损失和亮通道损失包括以下公式：
[0071][0072][0073]
其中，l
dcp
为暗通道损失，l
bcp
为亮通道损失，t1为暗通道的传输估计值，t2为亮通道的传输估计值，为双分支网络的传输估计值，la为laplacian矩阵，t为矩阵的转置，λ为超参数；
[0074]
则先验损失l
pior
为
[0075]
l
pior
＝l
dcp
+l
bcp
[0076]
则组合损失函数l为
[0077]
l＝l1+l
pior
。
[0078]
在本发明的一个实施例中，选择了常见去(尘)雾算法中使用的reside数据集和不均匀高浓度尘雾数据集nh-haze作为训练集。训练过程中所有图像被随机裁剪成256*256大小，归一化像素值从-1到1。整个训练过程由adam优化器进行包含100次优化。batch size为16。初始学习率设为10-4，每10个历元后的衰减率为0.75。网络优化阶段使用真实煤矿井下图像，利用真实煤矿井下的图像进行dcp、bcp处理，获取的传输估计值用于先验损失计算，弥补公共数据集与真实煤矿井下差异以及提高去尘雾效果。对比试验使用真实煤矿井下图像，图像大小为1920
×
1080。所有的实验均在nvidia geforce rtx 3090上进行。公共数据集reside和nh-haze被用于网络训练，真实煤矿数据集被用于测试。提出的方法与aodnet、ffanet、msbdnet、psd、fogremoval被定量和定性比较。
[0079]
表1显示了六种方法对煤矿图像的去尘雾性能比较。psnr、ssim和fade被用于评估不同方法去尘雾效果。本方案算法处理的图像fade数值最低，说明本文算法处理的图像尘雾密度含量最低，去尘雾效果最好；psnr数值最高，说明在去尘雾效果最佳的同时，图像失真最小；ssim值仅次于ffanet算法和aodnet算法，结合含雾量可知，本方案算法提高煤矿图像能见度以及丰富护帮板、采煤机设备的纹理细节，结构相似性(ssim)难免相对低于其他算法，但从特征恢复细节上说明本方案算法去尘效果好。处理一张图像时间被用于评估网络模型优越性。从表1可得，处理一张图像的速度高于基准网络msbdnet。尽管时间低于fogremoval，但从失真程度以及细节特征恢复效果来看，本方案算法最优。
[0080]
表1真实煤矿数据集质量评估结果
[0081][0082][0083]
如图6所示，显示了6种方法对真实煤矿井下工况图像的去尘雾效果示例。实验结果表明，aodnet对轻微薄尘有去尘效果，对浓煤尘效果不佳。ffanet对煤尘重的地方形成清晰的尘雾团，且整体色调偏暗。msbdnet和psd整体偏暗且存在轻微色偏。目前比较新的fog removel算法尽管去尘雾能力以及提取特征效果不错，但存在色偏，整体图像效果不好。本文算法相较于其他算法去尘雾效果更佳，尤其煤层浓度高以及光线偏暗环境下的图像。同
时，本文算法处理后的图像纹理清晰、特征细节丰富、不存在色偏等。
[0084]
在本发明的一个实施例中，如表2所示，显示了特征恢复结构中不同数量的密集残差块对基于注意力机制的去尘雾分支(amdn)网络的影响。为特征恢复结构选择合适数量的密集残差块，本实施例采用492张ots数据集训练模型，共训练20epochs。同时为减少其他因素影响图像使用未进行限制对比度自适应直方图均衡化算法调整的原始图像进行测试。本实施例主要展示了3块(本方案提出的amdn特征恢复结构使用的密集残差块块数)和18组(msbdnet网络特征恢复结构密集残差块块数)相近部分有代表性的数据对比。
[0085]
表2armn网络不同数量残差密集块的特征恢复结构实验
[0086][0087][0088]
从表2可以看出，当密集残差块块数为3时，去尘雾效果不仅没有变差，反而在各个指标上均优于18组密集残差块。与密集残差块块数等于1时相比，尽管含雾量减少，但psnr、ssim值均在下降，说明密集残差块块数过少时不利于保留特征，对后续特征融合不利。故特征回复结构中的密集残差块块数为3时amdn网络训练效果最佳。
[0089]
为验证网络中残差密集块(rdb)模块、轻量化注意力机制(la)模块、细节增强分支网络(den)模块以及物理先验损失优化处理的有效性，以上模块和方法被去除以进行训练和测试。表3和图7为各模块作用的实验结果，其中base代表的是基准网络msbdnet。
[0090]
表3增加网络各模块消融指标对比
[0091][0092]
结合表3数据以及图7处理结果可得，la、rdb模块完成特征提取以及粗去尘雾，den
模块实现了煤矿井下图像关键细节增强功能，先验损失实现进一步去尘以及优化煤矿尘雾图像整体效果。如表3以及图7所示，带有rdb模块、la模块、den模块以及物理先验优化模块的addnet对煤矿图像去尘去雾效果最好，实现最佳性能。
[0093]
本发明针对煤矿井下人工光源占主导，采用工业环境下的大气散射模型。与传统大气物理模型不同，充分考虑了煤矿井下人工光源对成像的影响，进行光的两次衰减计算，更贴近煤矿实际环境，有利于实际煤矿井下图像去尘雾。基于注意力机制与细节增强双分支去尘雾网络(addnet)实现煤矿井下尘雾图像清晰化任务。addnet利用轻量化注意力机制(la)和残差密集块(rdb)作为基本单元来构建更深层的训练网络。细节增强分支(den)提取更多细节，弥补基于深度学习网络去尘过程中造成的信息丢失。与当前较多去雾算法相比，本算法去尘雾能力强，更能较好地丰富纹理细节，改善光照不均以及煤矿图像能见度低等问题。为减少图像域差异性，引入了基于暗通道、亮通道构成的先验损失。先验损失通过暗通道、亮通道获取真实煤矿图像传输估计值，引导优化图像去尘去雾网络分支输出传输估计值，减少公共数据集与真实煤矿井下图像的差异。
[0094]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在发明的保护范围内。

技术特征：
1.一种基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，包括以下步骤：s1：利用限制对比度自适应直方图均衡化方法分别对煤矿图像的r通道、g通道和b通道进行均衡处理后融合，获得光线均匀的煤矿图像；s2：利用基于注意力机制的去尘雾分支网络对光线均匀的煤矿图像进行初步去尘雾，获得去尘雾图和传输估计值，同时利用细节增强分支网络对光线均匀的煤矿图像通过多尺度空洞卷积和单卷积从全局和局部增强细节，获得细节特征图；s3：对去尘雾图和细节特征图进行拼接，输出新的去尘雾图，并利用重构损失和先验损失构成新的组合损失函数，优化双分支网络去尘雾效果，获得最终的去尘雾图像。2.根据权利要求1所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述s2中基于注意力机制的去尘雾分支网络以msbdnet中的u型结构主干网络为基础，通过设计新的残差密集块分别对msbdnet的编码结构、特征恢复结构和解码结构进行改进，获得改进的编码结构、改进的特征恢复结构和改进的解码结构。3.根据权利要求2所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述残差密集块包括依次连接的密集连接层、局部特征融合层和局部残差学习层，在所述局部特征融合层后依次加入通道注意力机制和空间注意力机制，用于不均匀尘雾图像的特征关注和提取。4.根据权利要求2所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述改进的编码结构包括4个依次连接的基于注意力残差密集组，每个基于注意力残差密集组包括3个依次连接的残差密集块和1个轻量化注意力机制，所述轻量化注意力机制与残差密集块连接。5.根据权利要求2所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述改进的特征恢复结构包括3个依次连接的残差密集块。6.根据权利要求2所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述改进的解码结构包括4个依次连接的残差密集组，每个残差密集组包括3个依次连接的残差密集块。7.根据权利要求1所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述s2中细节增强分支网络包括全局分支和局部分支，所述全局分支通过光滑空洞卷积获取全局信息特征，所述局部分支采用单卷积层对局部细节特征进行提取，所述光滑空洞卷积包括依次连接的分离共享卷积和空洞卷积。8.根据权利要求1所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述s3中重构损失用于计算输入图像与重构有雾图像间的损失，重构有雾图像基于ifsm模型实现，所述ifsm模型包括以下公式：i(x)＝j(x)t2(x)+a(1-t(x))其中，i(x)为观测到的有雾图像，j(x)为无尘雾图像，t(x)为描述光未被散射而到达目标物体部分的透射率，a为全球大气光；重构损失函数l1为
其中，i为输入图像，为由双分支网络以及a-net网络的输出共同进行重构的含尘雾图，||
·
||1表示范数。9.根据权利要求8所述的基于注意力机制与细节增强双分支网络的图像去尘雾方法，其特征在于，所述s3中先验损失包括暗通道损失和亮通道损失，用于优化去尘效果，所述先验损失通过暗通道损失和亮通道损失获取真实煤矿图像传输估计值，所述暗通道损失和亮通道损失包括以下公式：通道损失包括以下公式：其中，l
dcp
为暗通道损失，l
bcp
为亮通道损失，t1为暗通道的传输估计值，t2为亮通道的传输估计值，为双分支网络的传输估计值，l
a
为laplacian矩阵，t为矩阵的转置，λ为超参数；则先验损失l
pior
为l
pior
＝l
dcp
+l
bcp
则组合损失函数l为l＝l1+l
pior
。

技术总结
本发明公开了基于注意力机制与细节增强双分支网络的图像去尘雾方法，涉及煤矿图像领域，对图像进行去尘雾以及细节增强之前采用限制对比度自适应直方图均衡化进行光线均匀处理，减少煤矿井下人工光源带来的不均匀光照对图像去尘雾的影响；随后，采用双分支方式对图像进行粗去尘雾、细节增强操作，获得精去尘雾图像。基于注意力机制的去尘雾分支网络生成粗去尘的图像和传输图，细节增强分支网络生成更多细节，弥补基于注意力机制去尘雾分支网络在去尘雾过程中造成的信息丢失，最后利用重构损失和先验损失构成损失函数组合，优化双分支网络去尘雾效果。本发明解决了现有去尘雾方法整体亮度偏暗或加重曝光、去尘雾效果不明显以及图像细节模糊的问题。图像细节模糊的问题。图像细节模糊的问题。


技术研发人员：吴浩 金钟杨 刘彦希 钟长华
受保护的技术使用者：四川轻化工大学
技术研发日：2023.07.19
技术公布日：2023/9/14