买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种基于深度神经网络的图像去雾方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115689932B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211398228.1，技术领域涉及：G06T5/70；该发明授权一种基于深度神经网络的图像去雾方法是由王昊波;周应华设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本一种基于深度神经网络的图像去雾方法在说明书摘要公布了：本发明涉及一种基于深度神经网络的图像去雾方法，属于图像处理领域。获取雾图与无雾图的图像数据；创建包含双域多尺度特征融合模块的深度神经网络，使得模型能更好的提取图像中的各种细节特征；训练和测试所述的神经网络，得到图像去雾网络模型；利用训练好的深度神经图像去雾网络模型对雾图进行除雾，输出无雾图。本发明提供的深度神经去雾网络能更有效地提取到来自图像空域以及频域的特征，并且对于复杂环境以及低能见度下的图像的去雾也取得了很好的效果。本发明可以用于在雾霾天气下的目标检测、自动驾驶中的交通标志检测等任务。

本发明授权一种基于深度神经网络的图像去雾方法在权利要求书中公布了：1.一种基于深度神经网络的图像去雾方法，其特征在于：该方法包括以下步骤： S1：获取雾图与对应的无雾图数据，划分训练集和测试集； S2：创建包含空域多尺度特征融合模块、频域特征提取模块的深度神经网络模型； S21：确定所述的图像去雾深度神经网络模型，以编码-解码网络作为空域特征融合网络的基础结构，对其进行修正，特征提取网络添加三个具有空洞卷积的残差块，并将每个残差块提取到的特征进行融合，保证在提取到深层次特征的同时，也保留浅层次的特征，保证去雾后的图像的各个细节特征尽可能地还原；同时在网络中引入频域特征提取子网络，将频域特征提取子网络加入到主干网络中，保证对图像的特征进行多层次、多尺度的提取，保证图像去除雾气的彻底性以及图像细节和边缘的还原； S22：整体网络结构分为空域特征提取子网络以及频域特征提取子网络，然后经过拼接将空域特征子网络与频域特征提取子网络分别提取到的特征图进行相加融合，最后进行反卷积与卷积操作，恢复图像尺寸，输出清晰图像； S23：空域特征提取子网为两次卷积、一次下采样卷积操作以及三个空洞卷积Res-Block模块的空域特征提取子网络，并将每次经历Res-Block空洞卷积的输出进行拼接操作得到子网络的最终输出；而空洞卷积Res-Block模块包含平滑空洞卷积块、残差块、BN层以及Relu层；平滑空洞卷积块利用空洞卷积，分别设置空洞率为2和3，分别进行空洞卷积后进行堆叠，进而消除网格伪影问题；而空洞卷积实际感受野大小为： K＝k+k-1r-12 k为原始卷积核大小，设置为3ⅹ3，而r为空洞率；采用BN层以及Relu层，在每一个Res-Block块最后加入空间-通道CBAM注意力机制模块，结合空间和通道的注意力机制模块；此模块是先将输入经过通道注意力模块，关注到图像中哪些通道上的特征更重要，得到对应的通道注意力图MCF： MCF＝σMLPAvgPoolF+MLPMaxPoolF3 其中σ是Sigmoid函数，即将输入的特征图分别经过最大池化与平均池化，然后经过MLP，并将MLP输出的特征进行加和操作，最后经过Sigmoid函数，生成最终的通道注意力特征图；然后将通道注意力特征图作为空间注意力模块的输入，使其关注到通道上哪些特征更重要，得到进一步的空间注意力图MSF： MSF＝σf7×7[AvgPoolF；MaxPoolF]4 空间注意力模块是先做一个基于通道的最大池化以及平均池化，降为一个通道，然后将两个结果做concat拼接操作，然后经过一个卷积操作f，最后经过Sigmoid函数得到空间注意力特征图；最后将空间注意力特征图与通道注意力特征图相乘，得到最终生成的特征图，使得去雾网络模型能有更好的表现；在每一个Res-Block中有两个输出，一个是作为后续多尺度信息的融合的一部分，还有一个是作为下一个Res-Block的输入，进一步的提取深层次的特征； S24：频域特征提取子网中，先将输入图像经过傅里叶变换得到图像的频域图，然后经过拉普拉斯算子以及高斯滤波器分别滤掉低频以及高频分量，最终分别得到原始图像对应的高频与低频图像；将高、低频子图使用卷积操作与空洞卷积Res-Block，提取到频域中对应的特征图，然后进行逆傅里叶变换从频域变回空域，接着将此特征图与之前空域特征提取子网络得到的特征图做拼接操作，即将特征图相加；最后再输入空间-通道注意力模块，最后经历反卷积与两次卷积，得到最终的清晰图像； S3：使用创建好的训练集和测试集来训练和测试深度神经网络模型； 网络的损失函数分为L1损失和感知损失两个部分； 使用L1损失训练会更加稳定，广泛用于图像恢复任务中，函数如下： 其中Iix代表雾图在i通道的像素值，Jix代表无雾图在i通道的像素值； 采用预先训练的VGG作为损失网络，从前三个阶段的最后一层中提取特征图，感知损失函数如下： 其中和j＝1,2,3分别为去雾后的无雾图和真实的无雾图在VGG网络中的特征图，C、H、W分别代表特征图的通道数、高度和宽度；总的损失函数如下： L＝L1+λLp7 S4：使用训练好的图像去雾网络模型对雾图进行去雾。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。