改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的圖像去霧算法①

黃沛昱, 李煜龍, 高 磊

(重慶郵電大學(xué) 光電工程學(xué)院, 重慶 400065)

1 引言

由于大氣的散射作用, 目標(biāo)物體的反射光會(huì)受到大氣中懸浮粒子、氣溶膠等的吸收和散射, 并與其他方向反射的空氣光混合, 最終成像設(shè)備捕獲的圖像會(huì)存在色彩失真、對(duì)比度降低、細(xì)節(jié)模糊等問(wèn)題. 對(duì)圖像進(jìn)行去霧處理, 可以顯著提高場(chǎng)景局部和全局的對(duì)比度, 糾正因空氣光造成的顏色失真. 在計(jì)算機(jī)視覺(jué)、高級(jí)圖像編輯、目標(biāo)檢測(cè)和識(shí)別等算法中, 圖像去霧在一定程度上能提高算法的性能, 因此圖像去霧的研究有著較高的應(yīng)用價(jià)值.

圖像去霧的算法主要有基于圖像增強(qiáng)的去霧算法、基于圖像復(fù)原的去霧算法和基于深度學(xué)習(xí)的去霧算法.

基于圖像增強(qiáng)的去霧算法沒(méi)有考慮到霧的濃度與場(chǎng)景深度成正比例的關(guān)系, 即圖像霧的濃度分布是不均勻的. 因此, 增強(qiáng)圖像對(duì)比度的去霧方法不能自適應(yīng)的補(bǔ)償霧圖像中對(duì)比度的降低, 且容易造成部分圖像信息的失真, 例如基于直方圖均衡化的算法[1]和基于Retinex的圖像去霧算法[2].

基于圖像復(fù)原的圖像去霧算法從霧天圖像退化機(jī)制出發(fā), 利用大氣散射模型[3], 通過(guò)求解圖像降質(zhì)過(guò)程的逆過(guò)程來(lái)恢復(fù)清晰圖像. 尤以He等人提出的基于暗通道先驗(yàn)的圖像去霧算法為代表, 然而該算法對(duì)于圖像的天空區(qū)域和白色景物是失效的, 并且容易產(chǎn)生光暈效應(yīng)[4].

近年來(lái), 深度學(xué)習(xí)的不斷發(fā)展為圖像處理帶來(lái)了新思路, 一些基于神經(jīng)網(wǎng)絡(luò)的圖像去霧算法也不斷涌現(xiàn). Ren等人提出了多尺度卷積神經(jīng)網(wǎng)絡(luò)的去霧方法,通過(guò)兩種尺度的網(wǎng)絡(luò)得到更準(zhǔn)確的介質(zhì)投射率[5].Li等人為了避免參數(shù)因分別估計(jì)而帶來(lái)誤差累積的問(wèn)題, 提出了多合一卷積神經(jīng)網(wǎng)絡(luò)圖像去霧算法, 取得了較好的效果[6]. 利用不同尺度的卷積核提取圖像特征,將淺層與深層的圖像特征進(jìn)行融合, 在一定程度上能使網(wǎng)絡(luò)更好地學(xué)習(xí)圖像的特征[7–9].

基于深度學(xué)習(xí)的圖像去霧算法利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像特征, 網(wǎng)絡(luò)的深度對(duì)網(wǎng)絡(luò)模型的性能至關(guān)重要, 層數(shù)增加, 網(wǎng)絡(luò)可以進(jìn)行更加復(fù)雜的特征學(xué)習(xí). 但是, 在深度學(xué)習(xí)中網(wǎng)絡(luò)層數(shù)的增加一般會(huì)導(dǎo)致模型過(guò)擬合、梯度消失和梯度爆炸. 殘差網(wǎng)絡(luò)的提出有效地解決了該問(wèn)題, 通過(guò)短路連接(shortcut connection)機(jī)制使得網(wǎng)絡(luò)具有學(xué)習(xí)恒等映射的能力的同時(shí)也具有學(xué)習(xí)其他映射的能力, 因此殘差單元可以在輸入的基礎(chǔ)上學(xué)習(xí)到新的特征, 從而提高網(wǎng)絡(luò)性能, 避免網(wǎng)絡(luò)層數(shù)增加所導(dǎo)致的網(wǎng)絡(luò)退化[10]. 陳清江等人提出了一種混合殘差學(xué)習(xí)與導(dǎo)向?yàn)V波算法在圖像去霧中的應(yīng)用, 但對(duì)于自然真實(shí)霧圖像的去霧, 其去霧圖像的視覺(jué)效果并不理想[11]. 姜冰等人提出了適用于多場(chǎng)景的ResNet單幅圖像去霧算法, 在GAN網(wǎng)絡(luò)中引入殘差結(jié)構(gòu)用以改善網(wǎng)絡(luò)性能[12]. 劉仕彥等人針對(duì)去霧網(wǎng)絡(luò)深度較深且結(jié)構(gòu)復(fù)雜, 不易在嵌入式平臺(tái)部署的問(wèn)題, 將殘差塊與信息蒸餾網(wǎng)絡(luò)(information distillation network, IDN)的信息蒸餾塊作為網(wǎng)絡(luò)的基礎(chǔ)塊, 提出了基于BP-Net網(wǎng)絡(luò)結(jié)構(gòu)的圖像去霧算法[13]. 肖進(jìn)勝等人指出霧圖像可以看成由清晰圖像和霧層組成, 算法通過(guò)殘差學(xué)習(xí)提取霧層的特征以實(shí)現(xiàn)圖像去霧, 但網(wǎng)絡(luò)權(quán)重參數(shù)量較大, 網(wǎng)絡(luò)訓(xùn)練困難[14].

綜上所述, 針對(duì)現(xiàn)有去霧算法中存在的問(wèn)題, 本文提出了一種改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的圖像去霧算法, 在殘差學(xué)習(xí)模塊中嵌入深度可分離卷積, 有效解決網(wǎng)絡(luò)層數(shù)增加所帶來(lái)的參數(shù)量劇增和網(wǎng)絡(luò)訓(xùn)練困難的問(wèn)題.算法通過(guò)所提出的網(wǎng)絡(luò)改進(jìn)模型來(lái)估計(jì)透射率, 采用四叉樹(shù)分層搜索方法準(zhǔn)確地估計(jì)大氣光值. 并且利用加權(quán)引導(dǎo)濾波對(duì)透射率進(jìn)行細(xì)化, 保留更多圖像邊緣信息. 實(shí)驗(yàn)結(jié)果表明, 本文算法能較好地實(shí)現(xiàn)圖像去霧,并且去霧圖像邊緣信息更豐富, 圖像也更清晰.

2 本文去霧算法

本文去霧算法基本思路: 首先根據(jù)所提的改進(jìn)網(wǎng)絡(luò)來(lái)估計(jì)透射率, 其次利用加權(quán)引導(dǎo)濾波對(duì)透射率進(jìn)行細(xì)化, 然后通過(guò)四叉樹(shù)分層搜索方法更準(zhǔn)確地估計(jì)大氣光值, 最后根據(jù)式(1)的大氣散射模型表達(dá)式來(lái)恢復(fù)出無(wú)霧清晰圖像.

2.1 大氣散射模型

在圖像處理領(lǐng)域, 大氣散射模型通常被用來(lái)描述霧天圖像的形成. 大氣散射模型可表示為:

其中,x表示像素索引,Ic(x)為觀測(cè)到的有霧圖像,Jc(x)為 去霧后的無(wú)霧場(chǎng)景圖像.t(x)是目標(biāo)對(duì)象反射光的透射率, 它由目標(biāo)場(chǎng)景點(diǎn)與成像設(shè)備之間的距離確定, 光的傳播距離越遠(yuǎn), 光的散射和衰減就越大, 即t(x) 越小. 如式(2)所示t(x) 與場(chǎng)景深度d(x)呈負(fù)相關(guān),β為衰減系數(shù).Ac是全局大氣光, 表示大氣中的環(huán)境光.

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

由式(1)可知, 圖像去霧算法的關(guān)鍵在于求解介質(zhì)透射率和大氣光值, 然后依據(jù)散射模型進(jìn)行無(wú)霧圖像的恢復(fù), 因此如何有效建立有霧圖像到介質(zhì)透射率的映射網(wǎng)絡(luò)顯得尤為重要. 圖1所示為本文算法的網(wǎng)絡(luò)結(jié)構(gòu)圖, 網(wǎng)絡(luò)主要由多尺度特征提取模塊、嵌入了深度可分離卷積的殘差學(xué)習(xí)模塊和輸出卷積模塊組成.首先通過(guò)不同大小的并行卷積核進(jìn)行有霧圖像的淺層特征提取. 卷積核的尺寸設(shè)置為K×K×N,K×K為卷積核的大小,N為卷積核個(gè)數(shù). 卷積核的大小分別為1×1、3×3、5×5和7×7,N的值為12, 步長(zhǎng)為1, 并進(jìn)行相應(yīng)的填充使的輸出特征圖的尺寸和輸入特征圖的尺寸保持一致. 卷積響應(yīng)公式為:

圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)

將不同尺寸卷積核提取到的特征圖進(jìn)行拼接, 然后送入后續(xù)的殘差塊. 出于網(wǎng)絡(luò)訓(xùn)練參數(shù)量的考慮, 本文在殘差結(jié)構(gòu)中引入了深度可分離卷積(depthwise separable convolution, DS Conv), 用于替代普通的卷積.深度可分離卷積可以做到減小參數(shù)量的同時(shí)其效果等同于普通卷積. 深度可分離卷積可以看成兩部分組成:逐通道卷積和逐點(diǎn)卷積, 逐通道卷積對(duì)每個(gè)輸入通道應(yīng)用單個(gè)濾波器, 然后使用點(diǎn)式卷積(簡(jiǎn)單的1×1卷積)來(lái)創(chuàng)建深度層的輸出的線性組合[15].

圖2所示為普通卷積和深度可分離卷積的對(duì)比,以三通道輸入和3×3大小的卷積核為例, 在普通卷積中為得到4個(gè)輸出特征圖, 需要4個(gè)卷積核, 參數(shù)量為3×3×3×4. 而深度可分離卷積可以看成兩部分, 首先3×3大小的卷積核與輸入特征圖進(jìn)行逐通道卷積, 卷積核深度等于輸入通道數(shù); 然后將得到的特征圖與1×1大小的卷積核進(jìn)行逐點(diǎn)卷積, 卷積核個(gè)數(shù)為4, 總的參數(shù)量為3×3×3+3×1×1×4, 相比普通卷積, 深度可分離卷積可以成倍數(shù)減小參數(shù)量.

圖2 常規(guī)卷積和深度可分離卷積的對(duì)比

圖1中的每個(gè)深度可分離卷積層中都加入了批量正則化(batch normalization, BN)和線性整流單元(ReLU). 網(wǎng)絡(luò)模型中存在3個(gè)相同的殘差單元, 每個(gè)殘差單元含有兩個(gè)深度可分離卷積層. 在深度可分離卷積層中, 逐通道卷積的卷積核個(gè)數(shù)為1, 大小為3×3, 逐點(diǎn)卷積的卷積核個(gè)數(shù)為16, 大小為1×1. 最后, 網(wǎng)絡(luò)經(jīng)過(guò)一個(gè)3×3大小的卷積核卷積輸出介質(zhì)投射率圖.

2.3 透射率細(xì)化

為了提高去霧圖像的質(zhì)量, 并使恢復(fù)的無(wú)霧圖像邊緣得到保持, 具有更多的紋理信息, 本文對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的透射率進(jìn)行了細(xì)化. 與引導(dǎo)濾波(guided image filtering, GIF)相比, 加權(quán)引導(dǎo)濾波(weighted guided image filtering, WGIF)在圖像邊緣保持上性能更好, 且能有效減少去霧圖像中的光暈偽影[16]. WGIF在GIF的基礎(chǔ)上引入了邊緣感知權(quán)重, 邊緣感知權(quán)重表達(dá)式為:

其中,G表示引導(dǎo)圖,p′)表示引導(dǎo)圖G中3×3窗口區(qū)域的方差. ε是一個(gè)常量, 值為( 0.001×L)2,L為引導(dǎo)圖像素的動(dòng)態(tài)范圍. 邊緣感知權(quán)重 ΓG(p′)衡量像素p′相對(duì)于整個(gè)引導(dǎo)圖的重要性. 邊緣處的像素被賦予比平坦區(qū)域像素更大的權(quán)重.

如圖3所示, WGIF相較于GIF在邊緣保持上性能更好, 較好地保留了圖像的邊緣紋理信息. 因此本文采用WGIF對(duì)神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)得到的粗透射率圖進(jìn)行細(xì)化, 以此得到更精細(xì)化的透射率. 圖4所示為透射率細(xì)化前后效果圖及透射率用于去霧時(shí)與之對(duì)應(yīng)的去霧圖. 由圖可知, 細(xì)化前后得到的去霧圖差異較為明顯,透射率圖進(jìn)行細(xì)化后, 其恢復(fù)出來(lái)的無(wú)霧圖像更清晰,圖中山脈輪廓也更加分明, 圖像邊緣得到了更好的保持. 因此, 對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的透射率圖進(jìn)行細(xì)化是很有必要的.

圖3 不同濾波器的邊緣保持結(jié)果對(duì)比

圖4 透射率細(xì)化前后的圖像去霧對(duì)比

2.4 大氣光值估計(jì)

由于霧會(huì)造成像素強(qiáng)度的增加, 呈現(xiàn)明亮的顏色,在式(1)中全局大氣光Ac通常被估計(jì)為霧圖像中最亮像素的強(qiáng)度值. 但是這種方法在某些情況下是不恰當(dāng)?shù)? 當(dāng)圖像中存在比大氣光更亮的對(duì)象時(shí), 將會(huì)高估全局大氣光的值.

基于圖像霧區(qū)域的像素強(qiáng)度值較大且方差值較小這一事實(shí), 全局大氣光的估計(jì)采用基于四叉樹(shù)劃分的分層搜索方法. 首先, 輸入的霧天圖像被劃分成4個(gè)矩形子區(qū)域, 分別計(jì)算每個(gè)子區(qū)域內(nèi)平均像素值減去子區(qū)域內(nèi)像素值的標(biāo)準(zhǔn)差, 計(jì)算的結(jié)果作為該子區(qū)域的得分. 然后選出分?jǐn)?shù)最高的子區(qū)域, 并進(jìn)一步將該區(qū)域劃分為4個(gè)子區(qū)域. 重復(fù)上述過(guò)程, 直到區(qū)域大小小于給定的閾值(32×32). 如圖5所示, 圖像中紅框選中的區(qū)域是利用分層搜索方法選出的最終用于計(jì)算全局大氣光值的像素區(qū)域.

圖5 分層搜索方法選出的用于估計(jì)大氣光值的區(qū)域

用于估算大氣光值的區(qū)域選定后, 在該區(qū)域中計(jì)算式(5), 將使計(jì)算值最小的像素作為全局大氣光的值.

其中,Ir(x),Ig(x),Ib(x)分別對(duì)應(yīng)輸入有霧圖像像素的3個(gè)顏色通道的像素強(qiáng)度值. 將估計(jì)得到的t(x) 和Ac帶入式(1)得到式(6), 根據(jù)式(6)就可以計(jì)算得到無(wú)霧清晰圖像.

3 實(shí)驗(yàn)結(jié)果與分析

算法的硬件配置和軟件配置如下:

硬件配置: Intel Core i5-9400F @ 2.90 GHz CPU,Nvidia GeForce RTX 2060 GPU, 內(nèi)存16 GB.

軟件配置: Windows 10, TensorFlow 2.1, CUDA 10.1, Python 3.7.

3.1 數(shù)據(jù)集與網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練所需的數(shù)據(jù)集為NYU2 Depth Database[17].根據(jù)式(1)和式(2)合成霧天圖像,A的 值在[0.6, 1.0]之間隨機(jī)采樣, β的值在[0.5, 1.5]之間隨機(jī)采樣. 總共合成26 064張霧圖像, 選取其中23 231張圖像用于訓(xùn)練,2 833張非重疊的霧圖像用于測(cè)試. 圖像大小為320×240.另從互聯(lián)網(wǎng)上收集了部分自然界真實(shí)霧天圖像作為測(cè)試圖像.

在訓(xùn)練過(guò)程中, 采用隨機(jī)梯度下降法(stochastic gradient descent, SGD)和反向傳播算法對(duì)網(wǎng)絡(luò)參數(shù)優(yōu)化. SGD的動(dòng)量參數(shù)設(shè)置為0.9, 初始學(xué)習(xí)率設(shè)為0.001,在迭代80個(gè)epoch后學(xué)習(xí)率設(shè)為0.000 1, 損失函數(shù)為均方誤差(MSE), 網(wǎng)絡(luò)中激活函數(shù)為ReLU, 網(wǎng)絡(luò)訓(xùn)練總的迭代次數(shù)為120個(gè)epoch.

3.2 不同算法的去霧對(duì)比

本節(jié)將本文算法與經(jīng)典的傳統(tǒng)圖像去霧算法和深度學(xué)習(xí)去霧算法進(jìn)行了對(duì)比, 圖像來(lái)自RESIDE[18]數(shù)據(jù)集和自然真實(shí)霧天圖像. 對(duì)比算法涉及以下4種:DCP[4]暗通道先驗(yàn)圖像去霧、MSCNN[5]多尺度神經(jīng)網(wǎng)絡(luò)圖像去霧、AOD-Net[6]多合一端到端圖像去霧、Residual-GIF[11]混合殘差學(xué)習(xí)與導(dǎo)向?yàn)V波算法在圖像去霧中的應(yīng)用.

3.2.1 合成霧圖像的去霧對(duì)比與分析

為了客觀的評(píng)價(jià)本文算法的優(yōu)劣, 本文將結(jié)構(gòu)相似度(structural similarity, SSIM)和峰值信噪比(peak signal to noise ratio, PSNR)作為圖像質(zhì)量評(píng)價(jià)的客觀指標(biāo). 結(jié)構(gòu)相似度從圖像亮度、對(duì)比度和結(jié)構(gòu)3個(gè)方面衡量圖像的相似性, SSIM值越大, 圖像失真越小, 去霧性能越好. 峰值信噪比是廣泛使用的圖像質(zhì)量客觀評(píng)價(jià)指標(biāo)之一, PSNR值越大, 圖像受噪聲影響越小, 圖像質(zhì)量越高.

圖6為測(cè)試數(shù)據(jù)集上部分霧圖像的去霧結(jié)果. DCP算法得到的去霧圖像存在色彩失真, 并且在圖像邊緣處存在光暈效應(yīng), 造成這一現(xiàn)象是因?yàn)樗惴ㄊ腔诰植客干渎屎愣ǖ? 因此在圖像景深發(fā)生變化時(shí)透射率的估計(jì)是不準(zhǔn)確的, 會(huì)在物體邊緣產(chǎn)生光暈. MSCNN算法同樣也存在去霧圖像顏色不真實(shí)和對(duì)比度過(guò)度增強(qiáng)的問(wèn)題. AOD-Net算法去霧后的圖像仍存在少量的霧. Residual-GIF算法和本文的算法取得了相對(duì)較好的效果, 但本文算法去霧更徹底, 并且圖像的紋理信息更豐富. 為了更好地觀察不同算法的去霧效果, 說(shuō)明本文算法的有效性, 本文將第一幅圖像的去霧圖像進(jìn)行了局部放大, 如圖7所示. 可清晰地觀察到, DCP算法和MSCNN算法去霧后的圖像存在色彩失真. AOD-Net算法去霧后的圖像在燈籠上仍存在少量的霧. 本文算法相對(duì)于Residual-GIF算法而言, 本文算法燈籠的邊緣信息得到了更好的保持, 燈籠看上去輪廓更分明.

圖6 測(cè)試集上不同算法結(jié)果對(duì)比

圖7 不同算法去霧圖像的局部放大

不同算法的PSNR和SSIM指標(biāo)對(duì)比結(jié)果如表1所示. 由表可知, 相較于其他算法, 本文算法在峰值信噪比和結(jié)構(gòu)相似度上均有最高的值, 這說(shuō)明本文算法具有明顯優(yōu)勢(shì), 去霧圖像受噪聲干擾更小, 圖像質(zhì)量更好, 去霧前后的圖像具有更高的相似度.

表1 不同算法的PSNR和SSIM對(duì)比結(jié)果

3.2.2 自然真實(shí)圖像的去霧對(duì)比與分析

此部分討論自然真實(shí)霧圖像的去霧, 不同算法的自然真實(shí)霧圖像去霧對(duì)比如圖8所示. DCP算法在圖像天空區(qū)域的去霧效果不理想, 由于DCP算法基于暗通道先驗(yàn)特性, 往往會(huì)高估霧的濃度, 導(dǎo)致在圖像邊緣處容易產(chǎn)生光暈偽影. MSCNN算法恢復(fù)的無(wú)霧圖像在視覺(jué)上呈現(xiàn)對(duì)比度過(guò)度增強(qiáng), 由第3幅圖可以看出圖像中樹(shù)有關(guān)的邊緣信息并沒(méi)有得到保持, 樹(shù)葉顏色偏暗, 說(shuō)明MSCNN算法通過(guò)細(xì)尺度網(wǎng)絡(luò)細(xì)化透射率的手段并不奏效. AOD-Net算法將所有中間參數(shù)都在一個(gè)統(tǒng)一的模型中進(jìn)行估計(jì), 一定程度上避免了參數(shù)分別估計(jì)帶來(lái)誤差累計(jì)的問(wèn)題, 去霧圖像取得了較好的效果, 但圖像仍存在少量的霧. 基于殘差學(xué)習(xí)的Residual-GIF算法同樣也存在去霧不完全的問(wèn)題. 本文算法與前幾種算法相比, 去霧圖像在視覺(jué)上取得了更好的效果, 不僅去霧更加徹底, 而且圖像邊緣保持的更好.

將圖8中第2幅霧圖像在不同算法下的去霧圖像進(jìn)行局部放大, 放大效果如圖9所示. 可以清楚地看到MSCNN、AOD-Net和Residual-GIF對(duì)濃霧圖像的去霧處理并不理想, 圖像遠(yuǎn)景部分仍存在少量的霧. 由于圖9中的圖像不含天空區(qū)域, 所以DCP算法同本文算法一樣都能較好地實(shí)現(xiàn)圖像去霧. 但是, 對(duì)于含有天空區(qū)域的圖像, DCP算法會(huì)存在天空區(qū)域透射率估計(jì)不準(zhǔn)確的問(wèn)題, 去霧圖像存在光暈偽影, 而本文算法對(duì)于存在天空區(qū)域的圖像一樣能較好地實(shí)現(xiàn)圖像去霧.

圖8 不同算法對(duì)霧天圖像的去霧結(jié)果

圖9 不同算法去霧圖像的局部放大

3.3 消融實(shí)驗(yàn)

本文分別對(duì)多尺度特征提取模塊、殘差模塊和深度可分離卷積模塊進(jìn)行了消融定量分析實(shí)驗(yàn), 以此驗(yàn)證本文網(wǎng)絡(luò)的有效性.

為了保證消融實(shí)驗(yàn)中比較的公平性, 網(wǎng)絡(luò)參數(shù)設(shè)置均保持一致. 消融實(shí)驗(yàn)結(jié)果如表2所示, 從結(jié)果中可以看出, 采用多尺度并行卷積模塊提取圖像特征并進(jìn)行融合, 網(wǎng)絡(luò)模型的性能得到了一定的提高, 同時(shí)模型中加入殘差學(xué)習(xí)模塊能進(jìn)一步改善網(wǎng)絡(luò)性能. 用深度可分離卷積替代普通卷積, 網(wǎng)絡(luò)性能略微有所提高. 但是, 正如第2.2節(jié)圖2所分析的那樣, 深度可分離卷積相比普通卷積, 其網(wǎng)絡(luò)模型參數(shù)量大大減小.

表2 不同配置的消融實(shí)驗(yàn)定量比較結(jié)果

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)圖像去霧算法中去霧不完全, 色彩失真的問(wèn)題, 提出了一種改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的圖像去霧算法. 本文新穎的在殘差學(xué)習(xí)模塊中嵌入深度可分離卷積, 有效避免了網(wǎng)絡(luò)層數(shù)增加而導(dǎo)致模型訓(xùn)練困難和網(wǎng)絡(luò)參數(shù)量劇增的問(wèn)題. 本文算法還利用加權(quán)引導(dǎo)濾波對(duì)網(wǎng)絡(luò)得到的透射率圖進(jìn)行了細(xì)化, 使得最終的去霧圖像保留更多的邊緣信息, 并且通過(guò)四叉樹(shù)分層搜索方法準(zhǔn)確地估計(jì)大氣光值. 本文通過(guò)消融實(shí)驗(yàn)對(duì)比分析了網(wǎng)絡(luò)中各個(gè)模塊對(duì)整個(gè)網(wǎng)絡(luò)的影響, 驗(yàn)證了所提算法的有效性和可靠性. 實(shí)驗(yàn)結(jié)果表明本文算法在PSNR和SSIM指標(biāo)上取得了一定的提高, 并且去霧圖像在主觀視覺(jué)效果上也有較好的表現(xiàn), 同時(shí)算法對(duì)于自然真實(shí)霧圖像的去霧也能很好的適用.