(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210733517.6 (22)申请日 2022.06.26 (71)申请人 河南中光学集团有限公司 地址 473000 河南省南阳市工业 南路508号 (72)发明人 童飞飞　葛晨阳　李辉　左龙　 杨亚林　王辉　卫倩倩　王骞　 张仁洁　 (74)专利代理 机构 北京隆达恒晟知识产权代理 有限公司 1 1899 专利代理师 庄振乾 (51)Int.Cl. G06T 5/00(2006.01) G06T 5/10(2006.01) G06T 5/20(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/74(2022.01) (54)发明名称 一种微光图像去雾方法 (57)摘要 本发明公开了一种微光图像去雾方法， 具体 包括一种基于二分支融合的微光图像去雾网络 处理方法， 包含DWT子网络和FA 子网络两个分支 。 其中， DWT子网络基于U ‑Net架构， 利用DWT将各个 尺度的特征图分解为高频分量和低频分量， 并将 高低频分量 分开处理， 使网络在保持高频细 节信 息的同时更好地感知并去除雾霾。 FA子网络基于 像素特征注 意力和通道特征注 意力机制， 并结合 预训练策略使 去雾结果更加真实自然。 权利要求书1页 说明书7页 附图1页 CN 115496674 A 2022.12.20 CN 115496674 A 1.一种微光图像去雾方法， 该方法基于二分支融合的微光图像去雾网络处理技术， 包 含DWT子网络和FA子网络， 其中， DWT子网络基于U ‑Net架构， 其特 征在于， 包括以下步骤： 步骤1、 微光采集： 提取输入图像浅层特征， 得到各尺度特征图,各尺度特征图分别输入 DWT子网络和FA子网络； 步骤2、 去雾网络处理： DWT子网络对步骤1各尺度特征图进行二维离散小波变换， 将各 个尺度的特征图分解为高频信号和低频信号， 将 高频信号和低频信号分开处理， 使网络在 保持高频细节信息的同时利用低频信息感知并去除雾霾； FA子网络使用6个FA模块构成FA 子网络， FA块由通道注意力模块和 像素注意力模块组成， 使网络可以衡量不同特征通道以 及像素区域的重要性并区别对待； 步骤3、 输出去雾后的图像： DWT子 网络输出图像和FA子 网络输出图像整合， 得到去雾后 的图像。 2.根据权利要求1所述的微光图像去雾方法， 其特征在于， 所述二维离散小波变换采用 二维Haar 小波， 其中有四个滤波器， 分别是低通滤波器fLL、 高通滤波器fLH,fHL,fHH， 四个滤波 器定义为： 式中： fLL——低通滤波器， fLH——列高通滤波器， fHL——行高通滤波器， fHH——高通滤 波器。 3.根据权利要求2所述的微光图像去雾方法， 其特征在于， 所述二维离散小波变换在变 换过程中与输入图像进 行步长为2的卷积运算； 通过与每个滤波器进 行卷积， 可以将图像或 特征图分解为四个子带图像， 记为： xLL,xLH,xHL,xHH； 则xLL可以表示为(fLL*x)↓2， 其中↓2表示2 倍下采样 操作； 经过二维Ha ar小波变换后， xLL中(i,j)位置上的值可表示 为： xLL(i,j)＝x(2i ‑1,2j‑1)+x(2i‑1,2j)+x(2i,2j ‑1)+x(2i,2j) 式中： x(i,j)— —输入图像x在点(i,j)位置上的值。权　利　要　求　书 1/1 页 2 CN 115496674 A 2一种微光图像去雾方 法 技术领域 [0001]本发明涉及图像处 理技术领域， 具体涉及一种微 光图像去雾方法。 背景技术 [0002]图像去雾是计算机视觉和视频应用领域的一个重要的预处理方法。 雾霾天气条件 下拍摄的图像需要借助图像复原技术恢复无雾清晰图像。 近年来， 基于深度学习的方法在 解决图像去雾问题上取得了巨大的成功， 但大多 数方法都是在空间域直接对有雾图像进 行 特征提取， 不考虑雾霾信息在不同频带上分布特征 的不同。 由于雾霾区域像素灰度值变化 较为缓慢， 低频成分较多， 且根据雾霾密度的不同， 雾霾信息在各个频带中的占比也不同， 因此在模 型推理过程中应区别对待。 同时， 由于真实去雾数据集的训练数据有限， 使模型更 容易出现过拟合问题， 进一步影响了网络的泛化性能。 随着微光 夜视技术的研究与发展， 针 对夜间微 光图像的雾霾去除也成为了一个亟需解决的难题。 发明内容 [0003]针对上述问题， 本发明的目的是提供一种微光图像去雾方法， 该方法基于二分支 融合的微 光图像去雾网络处 理技术， 能够针对夜间微 光图像有效去雾 。 [0004]为了达到上述目的， 本发明采用的技术方案是： 一种微光图像去雾方法， 该方法基 于二分支融合的微光图像去雾网络处理技术， 包含DWT子网络和FA子网络， 其中， DWT子网络 基于U‑Net架构， 包括以下步骤： [0005]步骤1、 微光采集： 提取输入图像浅层特征， 得到各尺度特征图,各尺度特征图分别 输入DWT子网络和FA子网络； [0006]步骤2、 去雾网络处理： DWT子网络对步骤1各尺度特征图进行二维离散小波变换， 将各个尺度的特征图分解为高频信号和低频信号， 将 高频信号和低频信号分开处理， 使网 络在保持高频细节信息的同时利用低频信息感知并去除雾霾； FA子网络使用6个FA模块构 成FA子网络， FA块由通道注意力模块和 像素注意力模块组成， 使网络可以衡量不同特征通 道以及像素区域的重要性并区别对待； [0007]步骤3、 输出去雾后的图像： D WT子网络输出图像和FA子网络输出图像整合， 得到去 雾后的图像。 [0008]进一步的， 所述二维离散小波变换采用二维Haar小波， 其中有四个滤波器， 分别是 低通滤波器fLL、 高通滤波器fLH,fHL,fHH， 四个滤波器定义 为： [0009] [0010]式中： fLL——低通滤波器， fLH——列高通滤波器， fHL——行高通滤波器， fHH——高 通滤波器。 [0011]所述二维离散小波变换在变换过程中在变换过程中与输入图像进行步长为2的卷 积运算； 通 过与每个滤波器进行卷积， 可以将图像或特征图分解为四个子带图像， 记为： xLL,说　明　书 1/7 页 3 CN 115496674 A 3