申请/专利权人：中国人民解放军火箭军工程大学

申请日：2023-06-09

公开（公告）日：2024-06-04

公开（公告）号：CN116862784B

主分类号：G06T5/77

分类号：G06T5/77;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2023.10.27#实质审查的生效;2023.10.10#公开

摘要：本发明公开了一种基于多教师知识蒸馏的单幅图像去雾方法，包括步骤：一、训练集图像的获取；二、学生网络模型的建立；三、有雾训练图像的特征提取；四、总损失函数的建立；五、有雾训练图像对学生网络模型的训练；六、利用训练好的学生网络模型对单幅图像去雾。本发明通过EPDN教师网络模型和PSD教师网络模型对学生网络模型进行指导训练，有效提高学生网络的特征提取能力，且学生网络模型通过四个尺度的编码和解码实现了对去雾图像的多尺度信息的提取，有效融合了去雾图像的全局和局部特征，进而提高图像去雾效果。

主权项：1.一种基于多教师知识蒸馏的单幅图像去雾方法，其特征在于，该方法包括以下步骤：步骤一、训练集图像的获取：从雾天图像数据库RESIDE中选择室内训练集；其中，室内训练集包括有雾训练图像和与所述有雾训练图像对应的无雾训练图像，所述有雾训练图像和所述无雾训练图像的数量均相同；步骤二、学生网络模型的建立：建立学生网络模型，具体过程如下：步骤201、采用计算机建立学生网络的编码器模型；其中，所述学生网络的编码器模型包括第一尺度网络模型、第二尺度网络模型、第三尺度网络模型和第四尺度网络模型，所述第一尺度网络模型包括第一卷积层和两个基于PA的RDB模块，所述第二尺度网络模型包括第二卷积层、两个基于PA的RDB模块和一个特征融合模块；所述第三尺度网络模型包括第三卷积层、两个基于PA的RDB模块和一个特征融合模块；所述第四尺度网络模型包括第四卷积层、两个基于PA的RDB模块和一个特征融合模块；步骤202、采用计算机建立学生网络的解码器模型；其中，所述学生网络的解码器模型包括第一解码网络模型、第二解码网络模型、第三解码网络模型、第四解码网络模型和第五卷积层，所述第一解码网络模型包括两个基于PA的RDB模块，所述第二解码网络模型包括第一转置卷积层、两个基于PA的RDB模块和一个特征融合模块；所述第三解码网络模型包括第二转置卷积层、两个基于PA的RDB模块和一个特征融合模块；所述第四解码网络模型包括第三转置卷积层、两个基于PA的RDB模块和一个特征融合模块；步骤三、有雾训练图像的特征提取：步骤301、采用计算机将有雾训练图像I经过第一尺度网络模型进行特征提取，得到第一尺度特征图Fe1；步骤302、采用计算机将第一尺度特征图Fe1经过第二尺度网络模型进行特征提取，得到第二尺度特征图Fe2；步骤303、采用计算机将第二尺度特征图Fe2经过第三尺度网络模型进行特征提取，得到第三尺度特征图Fe3；步骤304、采用计算机将第三尺度特征图Fe3经过第四尺度网络模型进行特征提取，得到第四尺度特征图Fe4；步骤305、采用计算机将第四尺度特征图Fe4经过第一解码网络模型进行特征提取，得到第一解码特征图Fd1；步骤306、采用计算机将第一解码特征图Fd1经过第二解码网络模型进行特征提取，得到第二解码特征图Fd2；步骤307、采用计算机将第二解码特征图Fd2经过第三解码网络模型进行特征提取，得到第三解码特征图Fd3；步骤308、采用计算机将第三解码特征图Fd3经过第四解码网络模型进行特征提取，得到第四解码特征图Fd4；采用计算机将第四解码特征图Fd4经过第五卷积进行特征提取，得到输出去雾图像out；步骤309、采用计算机利用EPDN教师网络模型对有雾训练图像I处理，得到EPDN教师网络输出去雾图像outEP，并将EPDN教师网络模型中全局子生成器输出的特征图记作EPDN教师网络中间输出特征图EP1；采用计算机利用教师PSD网络模型对有雾训练图像I处理，得到PSD教师网络输出去雾图像outPS，并将教师PSD网络模型中主干网络输出的特征图记作PSD教师网络中间输出特征图PS2；步骤四、总损失函数的建立：步骤401、采用计算机根据得到感知损失函数Lper；其中，i为正整数，N＝5，且Φigt表示与有雾训练图像I对应的无雾训练图像gt经过VGG19网络模型中Relui_1层输出的特征图，Φiout表示学生网络模型的输出去雾图像out经过VGG19网络模型中Relui_1层输出的特征图，1≤i≤5；Ci、Hi和Wi分别代表Relui_1层输出的特征图的通道数、长和宽；Φigt,ΦioutL1表示VGG19网络模型中Relui_1层输出的两个特征图之间的曼哈顿距离；步骤402、采用计算机根据Ldist＝out,outEPL1+out,outPSL1+0.25EP1,Fd2L1+0.5PS2,Fd3L1，得到蒸馏损失函数Ldiss；其中，out,outEPL1表示学生网络模型的输出去雾图像out和EPDN教师网络输出去雾图像outEP之间的曼哈顿距离，out,outPSL1表示学生网络模型的输出去雾图像out和PSD教师网络输出去雾图像outPS之间的曼哈顿距离，EP1,Fd2L1代表EPDN教师网络中间输出特征图EP1和学生网络模型的第二解码特征图Fd2之间的曼哈顿距离，PS2,Fd3L1代表PSD教师网络中间输出特征图PS2和学生网络模型的第三解码特征图Fd3之间的曼哈顿距离；步骤403、采用计算机根据Lloss＝0.1Lper+Ldist，得到总损失函数Lloss；步骤五、有雾训练图像对学生网络模型的训练：步骤501、计算机采用Adam优化算法，利用总损失函数Lloss对学生网络模型进行迭代优化，直至训练集全部训练，完成一次迭代训练；步骤502、重复步骤501迭代训练直至满足迭代训练预设次数，得到训练好的学生网络模型；步骤六、利用训练好的学生网络模型对单幅图像去雾：采用计算机将任一张有雾图像输入训练好的学生网络模型中进行去雾处理，得到无雾图像；步骤201中基于PA的RDB模块包括第一Conv+ReLU层、Conv1卷积层、RDB模块、Conv2卷积层和Sigmoid激活函数层。

全文数据：

权利要求：

百度查询： 中国人民解放军火箭军工程大学 一种基于多教师知识蒸馏的单幅图像去雾方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD