Python图像处理【22】基于卷积神经网络的图像去雾

0. 前言

单图像去雾 (dehazing) 是一个具有挑战性的图像恢复问题。为了解决这个问题，大多数算法都采用经典的大气散射模型，该模型是一种基于单一散射和均匀大气介质假设的简化物理模型，但现实环境中的雾霾表述更加复杂。

1. 渐进特征融合网络

在本节中，我们将学习如何使用输入自适应端到端深度学习预训练去雾模型，即渐进特征融合网络 (Progressive Feature Fusion Network, PFFNet)，并通过使用 Pytorch 来执行模糊图像的去雾操作。渐进特征融合所采用的 U-Net 架构编码器 - 解码器网络，可直接学习从模糊图像到清晰图像的高度非线性转换函数。深度神经网架构如下图所示：

从以上体系结构图可以看出：

• 编码器由五个卷积层组成，每个卷积层之后都有非线性 ReLU 激活函数；第一层用于从原始模糊图像中相对较大的局部感受野上的提取特征，然后，依次执行四次下采样卷积操