52、图像去雾与电机容错控制技术研究

图像去雾与电机容错控制技术研究

1. 图像去雾算法

在图像去雾领域，为了有效去除图像中的雾霾，提升图像质量，提出了一种多模型融合算法。

1.1 多尺度特征提取

首先，采用多尺度DenseNet网络提取有雾图像的特征。多尺度卷积神经网络能使网络适应四种不同尺度的输入，获取不同尺度的感受野，捕捉不同尺度的特征信息，极大地提升整体网络性能。对于图像去雾网络而言，利用多尺度网络结构进行特征提取还有助于消除光晕噪声。

DenseNet致力于从特征复用的角度提升网络性能。每一层都能直接从损失函数获取梯度，并获取前面每个节点的特征信息，从而提高网络中特征和梯度的传输效率。由于雾霾的主要成因是场景辐照度的多次散射，能够复用特征信息的DenseNet有助于提取与雾霾相关的特征。

具体操作如下：
- 不同尺度的图像被送入网络，使用不同核大小的DenseNet提取特征。核大小分别为9×9、7×7、5×5和3×3，对应1:1、2:1、4:1和8:1的尺度。
- 将这些特征结果拼接成一个整体的特征张量，送入注意力特征提取模块。

以下是多尺度特征提取的流程：

graph LR
    A[输入不同尺度图像] --> B[使用不同核大小DenseNet提取特征]
    B --> C[拼接特征结果为特征张量]
    C --> D[送入注意力特征提取模块]

1.2 注意力特征提取

网络利用注意力机制对级联的多尺度特征进行整合和优化。注意力特征提取模块可以利用不同