下载: 全尺寸图片 幻灯片
本文所设计的多尺网络首先将原始雾图 I 进行了 2 倍和 4 倍的下采样, 然后将下采样
4 倍的雾图输入到 Scale 3 的 K 估计模块得到该尺度的 K 估计图, 再结合式(3)获取该尺度的
去雾图 I
0.25
. 接下来将 I
0.25
恢复至与 Scale 2 输入图一致的尺寸, 然后将 I
0.25
和 2 倍下采样的
原图一起输入到 Scale 2 的 K 估计模块, 再模仿上一步获取该尺度的去雾图 I
0.5
, 最后, 将
I
0.5
恢复至与 Scale 1 输入图一致的尺寸, 将 I
0.5
和原图 I 一起输入到 Scale 1 的 K 估计模块,
再根据式(3)获取最终的去雾图. 需要说明的是, Scale 1 尺度上的估计模块的输入图像的尺
寸大小为 128×128, 输入通道数为 6, Scale 2 尺度上的估计模块的输入层的图像尺寸为
32×32, 输入通道为 6, Scale 3 尺度上的估计模块的输入层的图像尺寸为 8×8, 输入通道为 3.
2.3 损失函数的改良
本文在训练网络时采用了一种包含了图像重构损失、图像结构相似损失和 TV 损失函
数的复合损失函数, 复合损失函数中的图像重构损失选择了常用的最小均方误差损失函数
(L
2
损失), 每张训练图的重构损失如式(5)所示.
L2 = ∥Ji−Fm(xi)∥2L2 = ‖Ji−Fm(xi)‖2
其中 JiJi 表示的是无雾清晰图像, xixi 表示了该清晰图像对应的有雾图像, Fm(xi)Fm(xi)
代表了该有雾图像经过本文 m 尺度上网络去雾处理后的图像.
图像结构相似损失函数的作用是使图像视觉效果更符合人眼主观视觉感受. 而 SSIM
相较于峰值信噪比(Peak signal-to-noise ratio, PSNR)能直观反映生成图与标准清晰图之间的
结构相似程度
[26]
, 因此该损失函数可以表示为式(6).
LS=1−SSIM(Ji,Fm(xi))LS=1−SSIM(Ji,Fm(xi))
其中 SSIM(Ji,Fm(xi))SSIM(Ji,Fm(xi))表示了合成雾图去雾后的生成图与对应的标准无
雾图像之间的 SSIM 数值.
图像 TV 损失函数是一种能够约束图像噪声的损失函数, 通过降低 TV 损失函数的数
值可以在一定程度上消除因去雾算法和重构损失函数带来的噪声
[27]
. TV 损失函数的表达式
如式(7)所示.
LTV=∥∇xFm(xi)∥2+∥∇yFm(xi)∥2LTV=‖∇xFm(xi)‖2+‖∇yFm(xi)‖2