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！

龙图腾网获悉电子科技大学申请的专利一种基于纹理亮度特征增强的深度学习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：CN119831895B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411914001.7，技术领域涉及：G06T5/73；该发明授权一种基于纹理亮度特征增强的深度学习去雾方法是由王磊;杨鹏炜;陈明燕设计研发完成，并于2024-12-24向国家知识产权局提交的专利申请。

本一种基于纹理亮度特征增强的深度学习去雾方法在说明书摘要公布了：本发明公开了一种基于纹理亮度特征增强的深度学习去雾方法，首先基于U‑Net构建一种基于纹理亮度特征增强的深度学习去雾网络，将雾图输入深度学习去雾网络进行纹理亮度特征增强，并依次进行下采样与上采样操作，得到生成的去雾图像结果，即更高质量的清晰无雾图像。本发明的方法所述深度学习去雾网络利用多尺度特征融合、视觉变换模块、离散小波变换上、下采样模块，在频域过滤重要信息，增强底层特征的交互融合，通过提出一种新的亮度纹理引导模块，结合图像中的细节信息和亮度信息来指导编码器的特征融合过程，从而在输出图像中保留更丰富的语义信息，且不依赖于具体雾图成像关系，可以重构去雾图像，去雾后的图像质量更高、且更为清晰。

本发明授权一种基于纹理亮度特征增强的深度学习去雾方法在权利要求书中公布了：1.一种基于纹理亮度特征增强的深度学习去雾方法，具体步骤如下： S1、基于U‑Net构建一种基于纹理亮度特征增强的深度学习去雾网络； 所述深度学习去雾网络包括：1个纹理亮度特征增强模块、6个视觉变换模块ViT‑Block、2个离散小波变换下采样模块DWT‑Down、1个颈部网络模块BottleNeck、2个离散小波变换上采样模块DWT‑Up； S2、将雾图输入纹理亮度特征增强模块，输出纹理亮度增强后的雾图； S3、基于步骤S2，对雾图与经纹理亮度特征增强模块处理后得到的纹理亮度融合特征图依次进行下采样与上采样操作，得到生成的去雾图像结果； 所述步骤S2具体如下： S21、对输入纹理亮度特征增强模块的雾图进行纹理特征提取； 设定输入图像Fin为三通道彩色图像H×W×3，采用改进的自适应阈值Canny算法提取输入图像的边缘纹理信息，得到原图的纹理映射特征图像F1； 其中，H表示图像高度，W表示图像宽度； 首先，对输入图像进行高斯核卷积操作，用于平滑输入图像，消除部分异常高频噪声，表达式如下： 其中，IG表示经过高斯平滑后的图像，x,y表示输入图像坐标，u,v表示高斯核的坐标，σ控制高斯卷积核大小，满足核半径k≈3σ； 然后，使用Sobel算子分别计算平滑图像的梯度信息，表达式如下： 其中，*表示卷积操作，Dx和Dy分别表示水平和垂直方向的Sobel算子；利用分别得到的xy方向的梯度图，再计算出梯度图的幅值信息相位信息再进行边缘像素强弱判断，首先对于每个像素，检查其梯度方向，在梯度方向上比较相邻像素梯度的幅值信息，即在梯度方向上比较当前像素的梯度幅值与相邻像素的梯度幅值；若当前像素的梯度幅值不是局部最大值，则将其设为0；使用非极大值抑制方法进行处理，保留梯度局部最大值并抑制非边缘部分的梯度，表达式如下： 其中，Z表示经过极大值抑制处理后的梯度幅值图，G表示原始梯度幅值图； 然后使用双阈值划分对保留的像素区域进行边缘划分，表达式如下： 其中，Tlow和Thigh分别表示判定梯度幅值为强弱边缘的最小和最大阈值，若当前像素梯度幅值大于Thigh，则判定为强边缘；若当前像素梯度幅值小于Thigh但是大于Tlow，则判定为弱边缘；若当前像素梯度幅值小于Tlow，则判定为非边缘； 设计一种局部自适应调整阈值的方法，通过窗口化操作，细化原本的全局化阈值设置，表达式如下： 其中，m,n表示局部窗口内的坐标，g表示窗口中每个像素的梯度幅值，Dirac表示狄拉克函数； 在划分的局部窗口中，计算梯度幅值直方图Hg，统计当前窗口内的每个像素幅值的出现次数； 根据梯度幅值直方图Hg，构建累计幅值直方图Cg，表示当前窗口内梯度幅度值大于等于g的像素数量，表达式如下： 根据局部直方图的统计信息，计算在当前窗口内用于判断纹理强弱的高低阈值，表达式如下： Thighi,j＝max{g|Cg＞η·C0} 7Tlowi,j＝max{g|Cg＞η′·C0} 8其中，Thighi,j和Tlowi,j表示在图像中划分的第i行第j列的窗口中需要应用的高阈值和低阈值；C0表示当前窗口中所有梯度直方图的总和，η和η′表示比例常数； 再从强边缘像素开始，沿梯度方向跟踪边缘，若弱边缘像素与强边缘像素相连，则将其标记为边缘；若弱边缘像素不与任何强边缘像素相连，则将其丢弃； 最终，得到大小为H×W×1的纹理映射特征图F1； S22、对输入纹理亮度特征增强模块的雾图进行亮度特征提取； 对输入图像进行处理，得到图像三通道的亮度先验信息F2； 首先，对输入图像应用多个核大小不同的高斯核进行卷积，得到不同尺度下的局部亮度信息组成的高斯金字塔，对各层亮度图进行加权融合，得到结合不同尺度的高斯平滑滤波的全局亮度信息Lmulti，表达式如下： 其中，red,green,blue分别表示输入图像的三个通道；guasss表示第s个高斯卷积核；αs表示第s个卷积核的融合权重；k表示高斯核半径； 根据图像的色彩特征，设计一种处理方法，使用颜色的方差作为调整依据，自适应地调整RGB通道的权重，表达式如下： 其中，Var·表示RGB颜色通道的方差，[ωR,ωG,ωB]表示RGB三通道的权重系数； 计算图像中的颜色对比度，并对亮度进行调整，表达式如下： Lcolori,j＝ωR·Ri,j+ωG·Gi,j+ωB·Bi,j 11其中，Lcolori,j表示颜色通道信息整合后的结果，Ri,j,Gi,j和Bi,j分别表示Fin的R,G和B通道的逐点像素值，且基于式10的权重系数进行通道信息整合； 同时，考虑初始亮度信息和基于颜色信息的亮度调整，对式11生成的亮度图像进行Gamma校正，增强图像细节，并将输出图像的像素值归一化到[0,255]，表达式如下： 其中，Lgamma表示Gamma校正后的结果，β表示权重系数，γ表示Gamma校正系数，Lmin和Lmax即Lgamma中的最小和最大值；F2表示亮度先验特征图，得到的亮度先验特征图大小为H×W×1； S23、将步骤S21、S22得到的纹理特征与亮度特征进行融合，并与输入的雾图原图进行拼接，然后进行卷积块处理，输出纹理亮度增强后的雾图； 整合输入图像的边缘和亮度特征映射图，利用两个可学习参ω1和ω2，得到融合特征映射F3＝ω1·F1+ω2·F2； 随后，将输入图像与F3在通道维度上进行拼接，首先经过一个1×1的卷积，将通道数重新调整为3，再经过一个卷积核大小为5，步长为1，padding为2的深度卷积，生成作为颜色信息和纹理亮度信息的融合信息特征图Fout，表达式如下： Fout＝DepthwiseConv5×5Conv1×1ConcatF3,Fin 14。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。