CN119477755A 一种基于曲线调整的图像去雾方法 （深圳深知未来智能有限公司）

道大浪社区大宝路51号政华第一科技本发明公开了一种基于曲线调整的图像去接的神经网络获取输入图像中四个预设样本点中除两个曲线端点外的另外两个预设样本点的2步骤3：利用基于密集连接的神经网络获取输入图像中所述四个预设样本点中除两个将归一化处理后的图像去雾前后的图像像素值分别作为横纵坐标构建样本集连续共构建出(n-1)个所述表示函数的约束条件；连续共构建出(n-1)个所述表示函数的约束条件；3用表示步长，用m;=si(x⃞)=2c;表示二阶导；由si(xitx1)=yix1，得到a;+h,b,+hfc;+hd=yx1；由si(rxn)=si(xrxn)，得到b;+2h,c;+3hfd,=bx1；由s'(xrx1)=s'(rx1)，得到；得到;。4将所述下采样模块输出的特征依次输入两个全连接层，得到除的总层数；为将第k张训练图像输入到预训练网络后所选取的层中的第c层的输出；5为将模型输出的第k张训练图像输入到预训练网络后所选取的层中的第c层的输出；置第二个所述全连接层输出长度为3的向量，则将所述下采样模块输出的特征依次输入两线端点外的另外两个预设样本点的纵坐标分别为ta和t1+ta。6步骤3：利用基于密集连接的神经网络获取输入图像中四个预设样本点中除两个曲线端点外的另外两个预设样本点的纵坐标，代入三次样条插值函数得到对应的调整曲将归一化处理后的图像去雾前后的图像像素值分别作为横纵坐标构建样本集74n个未知数。除了调整曲线的两个端点，所有n-1个样本点的一阶导数连续续共构建出(n-1)个表示函数的约束条件；续共构建出(n-1)个表示函数的约束条件；用表示步长，用m;=si(x⃞)=2c;表示二阶导；a+hb+fc+hd;=x；由si(rxn)=si(xrxn)，得到b;+2h,c;+3hfd,=bx1；;加入边界条件m1=0,mnx1=0，得到一个以为未知数，共含n+1条方8后的像素值；a为横坐标为的样本点对应的纵坐标；s为横坐标为的样本点对应的纵坐积核3*3，步长为2的卷积层、自适应平均池化层，并将输出的特征图展开为长度等于9选取的总层数；为将第k张训练图像输入到预训练网络后所选取的层中的第c层的输出；为将模型输出的第k张训练图像输入到预训练网络后所选取的层中的第c层的输的特征依次输入两个全连接层，得到除两个曲线端点外的另外两个预设样本点的纵坐标，曲线端点外的另外两个预设样本点的纵坐标分别为ta和t1+tz。将归一化处理后的图像去雾前后的图像像素值分别作为横纵坐标构建样本集X=a,xnx1=b，为调整曲线的两个端点；其中，样本点数量的增加带来的复杂度与精度和灵活效果成正si(x)=a;+b,(r-xi)+c:(r-xi)2+d,(x-x):条件。数连续共构建出(n-1)个表示函数的约束条件；数连续共构建出(n-1)个表示函数的约束条件；用hi=xr1-xi表示步长，用表示二阶导；由s:(x)=y，得到li=yi；;别为，基于图像调整前后不影响像素值的取值范围，得到两个曲线端点的横坐标{0,1}对应的纵坐标分别为0和1。[0028]步骤3：利用基于密集连接的神经网络获取输入图像中四个预设样本点中除两个曲线端点外的另外两个预设样本点的纵坐标，代入三次样条插值函数得到对应的调整曲种常见的结构，本发明所使用的密集连接能更充分地获取每一层卷积学习到的信息特征，个卷积层和全连接层后都跟随一个激活层；调整曲线对输入图像进行去雾时对RGB三个通积核3*3，步长为2的卷积层、自适应平均池化层，并将输出的特征图展开为长度等于感知损失是一种基于神经网络特征的损失函数，通过比较输出图像和ground的输出；为将模型输出的第k张训练图像输入到预训练网络后所选取的层中的第c层[0037]