CN117557477B - 一种船舶去雾复原方法及系统 - Google Patents

一种船舶去雾复原方法及系统 Download PDF

Info

Publication number
CN117557477B
CN117557477B CN202410029086.4A CN202410029086A CN117557477B CN 117557477 B CN117557477 B CN 117557477B CN 202410029086 A CN202410029086 A CN 202410029086A CN 117557477 B CN117557477 B CN 117557477B
Authority
CN
China
Prior art keywords
ship
noise
water mist
round
picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410029086.4A
Other languages
English (en)
Other versions
CN117557477A (zh
Inventor
吴显德
温志伟
李志红
宋弯弯
季航锋
沈跃忠
毛刊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Whyis Technology Co ltd
Original Assignee
Zhejiang Whyis Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Whyis Technology Co ltd filed Critical Zhejiang Whyis Technology Co ltd
Priority to CN202410029086.4A priority Critical patent/CN117557477B/zh
Publication of CN117557477A publication Critical patent/CN117557477A/zh
Application granted granted Critical
Publication of CN117557477B publication Critical patent/CN117557477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种船舶去雾复原方法及系统。其中，该方法包括：将原始水雾浓度分类模型进行改进得到目标水雾浓度分类模型；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮输入到类别Unet模型中得到的噪音值，以及所有水雾船舶图片减去上一轮输入到类别Unet模型中得到的噪音值进行多轮模型训练，得到目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；将待去雾船舶图片输入到目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片。该方法得到的目标清晰船舶图片更加准确。

Description

一种船舶去雾复原方法及系统
技术领域
本发明涉及船舶技术领域，具体而言，涉及一种船舶去雾复原方法及系统。
背景技术
随着水上交通不断发展，水上交通秩序也不断升级，维持水上交通的工作人员的工作量不断增加，其中船舶检测是水上交通工作量的之一。但一到秋冬季节，傍晚或清晨，甚至白天会出现大量的水雾，导致水面上的船舶被水雾遮挡，从而无法对江面的船舶进行清晰的检测。
针对现有技术中船舶被水雾遮挡时，无法对船舶进行清晰的检测的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种船舶去雾复原方法及系统，以解决现有技术中船舶被水雾遮挡时，无法对船舶进行清晰的检测的问题。
为达到上述目的，一方面，本发明提供了一种船舶去雾复原方法，该方法包括：S1、获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型；S2、获取原始训练集，原始训练集分为多组，每组中包括清晰船舶图片和对应的随机等级的水雾船舶图片；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；S3、将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音和所有水雾船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮训练集，输入到所述类别Unet模型中进行第一轮模型训练，得到第一轮噪音值和第一轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值；S4、将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮噪音值，以及所有水雾船舶图片减去上一轮噪音值作为当前轮训练集，输入到上一轮更新类别Unet模型中进行当前轮模型训练，得到当前轮噪音值和当前轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、当前轮噪音值和所有水雾船舶图片的噪音值计算得到当前噪音损失值；若当前噪音损失值在预设噪音损失值范围内，停止模型训练，将当前轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；S5、将待去雾船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到所述目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片。
可选的，所述将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型包括：将所有对应的空域船舶图片和频域船舶图片缩放到相同尺寸进行相加，得到多个合成船舶图片；将所有合成船舶图片输入到原始水雾浓度分类模型的主干网络中进行第一轮模型训练，得到对应的多个原始特征图；将每个原始特征图进行反傅里叶变化，得到对应的多个变换特征图；将所有对应的原始特征图和变换特征图进行点乘，并将点乘后的特征图进行全卷积操作以及交叉熵损失计算，得到第一轮更新水雾浓度分类模型和第一轮分类损失值；将所有合成船舶图片输入到上一轮更新水雾浓度分类模型中进行当前轮模型训练，得到当前轮更新水雾浓度分类模型和当前轮分类损失值；若当前轮分类损失值在预设分类损失值范围内，停止模型训练，将当前轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
可选的，所述清晰船舶图片包括：清晰空域船舶图片和将清晰空域船舶图片进行傅里叶变换得到的清晰频域船舶图片；所述水雾船舶图片包括：水雾空域船舶图片和将水雾空域船舶图片进行傅里叶变换得到的水雾频域船舶图片；所述第一轮训练集包括：第一轮空域训练集和第一轮频域训练集；所述第一轮噪音值包括：第一轮空域噪音值和第一轮频域噪音值。
可选的，所述根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值包括：将每个清晰空域船舶图片的噪音值均与第一轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第一轮频域噪音值求和得到对应的多个频域噪音和值；将每个水雾空域船舶图片的噪音值均减去第一轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第一轮频域噪音值得到对应的多个频域噪音差值；将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第一平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第二平均值；将所述第一平均值和第二平均值相减求绝对值得到所述第一噪音损失值。
可选的，所述目标清晰船舶图片根据以下公式计算：
；
；
；
其中，表示待去雾船舶图片第t+1轮去雾后的图片；表示待去雾船舶图片第t轮去雾后的图片，/>表示待去雾船舶图片第t轮去雾后的图片输入到所述目标类别Unet模型中进行反向推理得到的噪音值，N表示S4中的训练轮数，t表示第t轮，t/>，/>表示第t轮的系数，随着轮数增加而减小，/>表示第t轮的预设值，/>表示第t轮的噪音均方差，/>表示第N-t+1轮增加的高斯噪音，当t为训练的第一轮时，/>表示待去雾船舶图片，z为S4中最后一轮增加的高斯噪音；当t为训练的最后一轮时，/>表示待去雾船舶图片完全去雾后的图片，z为S4中第一轮增加的高斯噪音；FFT表示傅里叶变化，/>表示待去雾船舶图片傅里叶变换后第t+1轮去雾后的图片，/>和/>表示超参，为待去雾船舶图片完全去雾后的图片，/>为待去雾船舶图片傅里叶变换后完全去雾后的图片，/>表示目标清晰船舶图片。
另一方面，本发明提供了一种船舶去雾复原系统，包括：目标水雾浓度分类模型训练模块，用于获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型；获取和改进模块，用于获取原始训练集，原始训练集分为多组，每组中包括清晰船舶图片和对应的随机等级的水雾船舶图片；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；第一轮更新类别Unet模型训练模块，用于将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音和所有水雾船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮训练集，输入到所述类别Unet模型中进行第一轮模型训练，得到第一轮噪音值和第一轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值；目标类别Unet模型训练模块，用于将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮噪音值，以及所有水雾船舶图片减去上一轮噪音值作为当前轮训练集，输入到上一轮更新类别Unet模型中进行当前轮模型训练，得到当前轮噪音值和当前轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、当前轮噪音值和所有水雾船舶图片的噪音值计算得到当前噪音损失值；若当前噪音损失值在预设噪音损失值范围内，停止模型训练，将当前轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；去雾模块，用于将待去雾船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到所述目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片。
可选的，所述目标水雾浓度分类模型训练模块包括：合成子模块，用于将所有对应的空域船舶图片和频域船舶图片缩放到相同尺寸进行相加，得到多个合成船舶图片；第一轮更新水雾浓度分类模型训练子模块，用于将所有合成船舶图片输入到原始水雾浓度分类模型的主干网络中进行第一轮模型训练，得到对应的多个原始特征图；将每个原始特征图进行反傅里叶变化，得到对应的多个变换特征图；将所有对应的原始特征图和变换特征图进行点乘，并将点乘后的特征图进行全卷积操作以及交叉熵损失计算，得到第一轮更新水雾浓度分类模型和第一轮分类损失值；目标更新水雾浓度分类模型训练子模块，用于将所有合成船舶图片输入到上一轮更新水雾浓度分类模型中进行当前轮模型训练，得到当前轮更新水雾浓度分类模型和当前轮分类损失值；若当前轮分类损失值在预设分类损失值范围内，停止模型训练，将当前轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
可选的，所述清晰船舶图片包括：清晰空域船舶图片和将清晰空域船舶图片进行傅里叶变换得到的清晰频域船舶图片；所述水雾船舶图片包括：水雾空域船舶图片和将水雾空域船舶图片进行傅里叶变换得到的水雾频域船舶图片；所述第一轮训练集包括：第一轮空域训练集和第一轮频域训练集；所述第一轮噪音值包括：第一轮空域噪音值和第一轮频域噪音值。
可选的，所述第一轮更新类别Unet模型训练模块包括：和值计算子模块，用于将每个清晰空域船舶图片的噪音值均与第一轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第一轮频域噪音值求和得到对应的多个频域噪音和值；差值计算子模块，用于将每个水雾空域船舶图片的噪音值均减去第一轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第一轮频域噪音值得到对应的多个频域噪音差值；均值计算子模块，用于将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第一平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第二平均值；第一噪音损失值计算子模块，用于将所述第一平均值和第二平均值相减求绝对值得到所述第一噪音损失值。
可选的，所述目标清晰船舶图片根据以下公式计算：
；
；
；
其中，表示待去雾船舶图片第t+1轮去雾后的图片；表示待去雾船舶图片第t轮去雾后的图片，/>表示待去雾船舶图片第t轮去雾后的图片输入到所述目标类别Unet模型中进行反向推理得到的噪音值，N表示训练轮数，t表示第t轮，t/>，/>表示第t轮的系数，随着轮数增加而减小，/>表示第t轮的预设值，/>表示第t轮的噪音均方差，/>表示第N-t+1轮增加的高斯噪音，当t为训练的第一轮时，/>表示待去雾船舶图片，z为目标类别Unet模型训练模块中最后一轮增加的高斯噪音；当t为训练的最后一轮时，/>表示待去雾船舶图片完全去雾后的图片，z为目标类别Unet模型训练模块中第一轮增加的高斯噪音；FFT表示傅里叶变化，/>表示待去雾船舶图片傅里叶变换后第t+1轮去雾后的图片，/>和/>表示超参，/>为待去雾船舶图片完全去雾后的图片，/>为待去雾船舶图片傅里叶变换后完全去雾后的图片，表示目标清晰船舶图片。
本发明的有益效果：
本发明提供了一种船舶去雾复原方法及系统，该方法对原始水雾浓度分类模型进行修改，得到的目标水雾浓度分类模型对水雾分类更准确，在原始Unet模型中采用船舶水雾浓度等级作为引导，从而实现依据不同等级进行除雾；结合空域和频域进行去水雾处理，得到的目标清晰船舶图片更准确。
附图说明
图1是本发明实施例提供的一种船舶去雾复原方法的流程图；
图2是本发明实施例提供的一种船舶去雾复原系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例提供的船舶去雾复原方法的流程图，如图1所示，该方法包括：
S1、获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型；
具体的，清晰空域船舶图片，其船舶的水平能见度距离d10公里；
不同等级的水雾空域船舶图片包括：
轻雾：船舶的水平能见度距离1d/>10公里之间；
中雾：船舶的水平能见度距离在500米d/>1公里之间；
大雾：船舶的水平能见度距离在200米d/>500米之间；
浓雾：船舶的水平能见度距离在50米d/>200米之间；
强浓雾：船舶的水平能见度距离d50米的雾。
将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；
所述将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型包括：
将所有对应的空域船舶图片和频域船舶图片缩放到相同尺寸进行相加，得到多个合成船舶图片；
将所有合成船舶图片输入到原始水雾浓度分类模型的主干网络中进行第一轮模型训练，得到对应的多个原始特征图；将每个原始特征图进行反傅里叶变化，得到对应的多个变换特征图；将所有对应的原始特征图和变换特征图进行点乘，并将点乘后的特征图进行全卷积操作以及交叉熵损失计算，得到第一轮分类损失值，根据第一轮分类损失值对原始水雾浓度分类模型进行反向传播，以更新原始水雾浓度分类模型的权重值，得到第一轮更新水雾浓度分类模型；
将所有合成船舶图片输入到上一轮更新水雾浓度分类模型中进行当前轮模型训练，得到当前轮更新水雾浓度分类模型和当前轮分类损失值；若当前轮分类损失值在预设分类损失值范围内，停止模型训练，将当前轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
具体的，例如：第二轮模型训练时，将所有合成船舶图片输入到第一轮更新水雾浓度分类模型中进行第二轮模型训练，得到第二轮更新水雾浓度分类模型和第二轮分类损失值；重复训练，若第五十轮分类损失值在预设分类损失值范围内，停止模型训练，将对应的第五十轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
S2、获取原始训练集，原始训练集分为多组，每组中包括清晰船舶图片和对应的随机等级的水雾船舶图片；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；
具体的，所述原始训练集要求：每张水雾船舶图片必须有对应的清晰船舶图片，每艘船的不同浓度的水雾船舶图片不需要全部都要，一种浓度的水雾船舶图片就可以。
所述清晰船舶图片包括：清晰空域船舶图片和将清晰空域船舶图片进行傅里叶变换得到的清晰频域船舶图片；
所述水雾船舶图片包括：水雾空域船舶图片和将水雾空域船舶图片进行傅里叶变换得到的水雾频域船舶图片；
所述在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型，具体为将不同浓度等级的水雾进行编码，与原始Unet模型的特征图进行点乘得到类别Unet模型的特征图。
其公式为：
；
其中，所述为类别Unet模型的特征图，cov为卷积，/>为不同浓度等级的水雾编码，/>为原始Unet模型的特征图。即对于输入的不同浓度等级的水雾船舶图片，采用不同的权重值计算噪音值。
S3、将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音和所有水雾船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮训练集，输入到所述类别Unet模型中进行第一轮模型训练，得到第一轮噪音值和第一轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值；
具体的，所述第一轮训练集包括：第一轮空域训练集和第一轮频域训练集；所述第一轮噪音值包括：第一轮空域噪音值和第一轮频域噪音值。
例如：将所有清晰空域船舶图片均随机增加第一种高斯噪音和所有水雾空域船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮空域训练集，输入到所述类别Unet模型中进行训练，得到第一轮空域噪音值和第一轮改进类别Unet模型；
具体的，可在原始训练集中随机抽取一组图片，该组中包括一张清晰空域船舶图片和一张水雾空域船舶图片；将当前组的水雾空域船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级；将当前组的清晰空域船舶图片随机增加第一种高斯噪音和当前组的水雾空域船舶图片在通道上进行叠加，得到叠加后的空域图片，其公式如下：
；
其中，表示叠加后的空域图片，/>表示当前组的清晰空域船舶图片，/>表示系数，其随着模型训练轮数的增加而减小，/>表示当前组随机增加的第一种高斯噪音，不同轮随机增加的/>值是不同的，但是相同轮的不同组随机增加的/>值是相同的，/>表示当前组的水雾空域船舶图片，/>表示将当前组的清晰空域船舶图片随机增加第一种高斯噪音和当前组的水雾空域船舶图片在通道上进行叠加。
将原始训练集中的所有组图片按上述方法操作，得到第一轮空域训练集。
将所有清晰频域船舶图片也均增加第一种高斯噪音和所有水雾频域船舶图片作为第一轮频域训练集，输入到所述第一轮改进类别Unet模型中进行训练，得到第一轮频域噪音值和所述第一轮更新类别Unet模型。
将上述随机抽取的一组图片中的一张清晰空域船舶图片进行傅里叶变换得到一张清晰频域船舶图片，一张水雾空域船舶图片进行傅里叶变换得到一张水雾频域船舶图片；
将当前组的清晰频域船舶图片随机增加第一种高斯噪音和当前组的水雾频域船舶图片在通道上进行叠加，得到叠加后的频域图片，其公式如下：
；
其中，表示叠加后的频域图片，FFT表示傅里叶变化，表示当前组的清晰空域船舶图片，/>表示当前组的清晰频域船舶图片，/>表示系数，其随着模型训练轮数的增加而减小，/>表示当前组随机增加的第一种高斯噪音，不同轮随机增加的/>值是不同的，但是相同轮的不同组随机增加的值是相同的，/>表示当前组的水雾频域船舶图片，/>表示将当前组的清晰频域船舶图片随机增加第一种高斯噪音和当前组的水雾频域船舶图片在通道上进行叠加。
将原始训练集中的所有组图片按上述方法操作，得到第一轮频域训练集。
即，假设原始训练集包括：清晰船舶1图片，轻雾船舶1图片；清晰船舶2图片，中雾船舶2图片；清晰船舶3图片，浓雾船舶3图片；
则第一轮空域训练集包括：清晰空域船舶1图片+第一种高斯噪音和轻雾空域船舶1图片按通道叠加后的图片，清晰空域船舶2图片+第一种高斯噪音和中雾空域船舶2图片按通道叠加后的图片，清晰空域船舶3图片+第一种高斯噪音和浓雾空域船舶3图片按通道叠加后的图片；第一轮频域训练集包括：清晰频域船舶1图片+第一种高斯噪音和轻雾频域船舶1图片按通道叠加后的图片，清晰频域船舶2图片+第一种高斯噪音和中雾频域船舶2图片按通道叠加后的图片，清晰频域船舶3图片+第一种高斯噪音和浓雾频域船舶3图片按通道叠加后的图片。
其中，任何船舶拍摄均存在噪音，清晰船舶图片的噪音小，水雾船舶图片的噪音大，但所有图片基本可以采用符合N（0,1）正态分布的高斯噪音去拟合。
所述根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值包括：
将每个清晰空域船舶图片的噪音值均与第一轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第一轮频域噪音值求和得到对应的多个频域噪音和值；
将每个水雾空域船舶图片的噪音值均减去第一轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第一轮频域噪音值得到对应的多个频域噪音差值；
将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第一平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第二平均值；
将所述第一平均值和第二平均值相减求绝对值得到所述第一噪音损失值。
S4、将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮噪音值，以及所有水雾船舶图片减去上一轮噪音值作为当前轮训练集，输入到上一轮更新类别Unet模型中进行当前轮模型训练，得到当前轮噪音值和当前轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、当前轮噪音值和所有水雾船舶图片的噪音值计算得到当前噪音损失值；若当前噪音损失值在预设噪音损失值范围内，停止模型训练，将当前轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；
具体的，第二轮训练时，将所有清晰船舶图片随机增加第二种高斯噪音并增加第一轮噪音值，以及所有水雾船舶图片减去第一轮噪音值作为第二轮训练集，输入到第一轮更新类别Unet模型中进行训练，得到第二轮噪音值和第二轮更新类别Unet模型；其中，所述第二轮训练集包括：第二轮空域训练集和第二轮频域训练集；所述第二轮噪音值包括：第二轮空域噪音值和第二轮频域噪音值。
即，将所有清晰空域船舶图片随机增加第二种高斯噪音并增加第一轮空域噪音值，以及所有水雾船舶图片减去第一轮空域噪音值作为第二轮空域训练集，输入到第一轮更新类别Unet模型中进行训练，得到第二轮空域噪音值和第二轮改进类别Unet模型；
将所有清晰频域船舶图片也增加第二种高斯噪音并增加第一轮频域噪音值，以及所有水雾船舶图片减去第一轮频域噪音值作为第二轮频域训练集，输入到第二轮改进类别Unet模型中进行训练，得到第二轮频域噪音值和第二轮更新类别Unet模型；
之后，将每个清晰空域船舶图片的噪音值均与第二轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第二轮频域噪音值求和得到对应的多个频域噪音和值；
将每个水雾空域船舶图片的噪音值均减去第二轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第二轮频域噪音值得到对应的多个频域噪音差值；
将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第三平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第四平均值；
将所述第三平均值和第四平均值相减求绝对值得到所述第二噪音损失值。
重复上述过程，若100轮后，第一百噪音损失值在预设噪音损失值范围内，停止模型训练，将第一百轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数（100）和每轮增加的高斯噪音（第一种高斯噪音，第二种高斯噪音，……，第一百种高斯噪音）；
需要注意的是，高斯噪音的种类数少于训练的轮数。
S5、将待去雾船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到所述目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片。
所述目标清晰船舶图片根据以下公式计算噪音值：
；
；
；
其中，表示待去雾船舶图片第t+1轮去雾后的图片；表示待去雾船舶图片第t轮去雾后的图片，/>表示待去雾船舶图片第t轮去雾后的图片输入到所述目标类别Unet模型中进行反向推理得到的噪音值，N表示S4中的训练轮数（即上述中的100轮），t表示第t轮，t/>，/>表示第t轮的系数，随着轮数增加而减小，/>表示第t轮的预设值，/>表示第t轮的噪音均方差，表示第N-t+1轮增加的高斯噪音，当t为训练的第一轮时，/>表示待去雾船舶图片，z为S4中最后一轮增加的高斯噪音；当t为训练的最后一轮时，/>表示待去雾船舶图片完全去雾后的图片，z为S4中第一轮增加的高斯噪音；FFT表示傅里叶变化，表示待去雾船舶图片傅里叶变换后第t+1轮去雾后的图片，/>和/>表示超参，/>为待去雾船舶图片完全去雾后的图片，/>为待去雾船舶图片傅里叶变换后完全去雾后的图片，/>表示目标清晰船舶图片。
需要注意的是，本发明对训练轮数和每轮增加的高斯噪音不作限定。
图2是本发明实施例提供的一种船舶去雾复原系统的结构示意图；如图2所示，该系统包括：
目标水雾浓度分类模型训练模块201，用于获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型；
所述目标水雾浓度分类模型训练模块201包括：
变换子模块，用于获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；
合成子模块，用于将所有对应的空域船舶图片和频域船舶图片缩放到相同尺寸进行相加，得到多个合成船舶图片；
第一轮更新水雾浓度分类模型训练子模块，用于将所有合成船舶图片输入到原始水雾浓度分类模型的主干网络中进行第一轮模型训练，得到对应的多个原始特征图；将每个原始特征图进行反傅里叶变化，得到对应的多个变换特征图；将所有对应的原始特征图和变换特征图进行点乘，并将点乘后的特征图进行全卷积操作以及交叉熵损失计算，得到第一轮更新水雾浓度分类模型和第一轮分类损失值；
目标更新水雾浓度分类模型训练子模块，用于将所有合成船舶图片输入到上一轮更新水雾浓度分类模型中进行当前轮模型训练，得到当前轮更新水雾浓度分类模型和当前轮分类损失值；若当前轮分类损失值在预设分类损失值范围内，停止模型训练，将当前轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
获取和改进模块202，用于获取原始训练集，原始训练集分为多组，每组中包括清晰船舶图片和对应的随机等级的水雾船舶图片；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；
所述清晰船舶图片包括：清晰空域船舶图片和将清晰空域船舶图片进行傅里叶变换得到的清晰频域船舶图片；
所述水雾船舶图片包括：水雾空域船舶图片和将水雾空域船舶图片进行傅里叶变换得到的水雾频域船舶图片。
第一轮更新类别Unet模型训练模块203，用于将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音和所有水雾船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮训练集，输入到所述类别Unet模型中进行第一轮模型训练，得到第一轮噪音值和第一轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值；
所述第一轮训练集包括：第一轮空域训练集和第一轮频域训练集；
所述第一轮噪音值包括：第一轮空域噪音值和第一轮频域噪音值。
所述根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值包括：
和值计算子模块，用于将每个清晰空域船舶图片的噪音值均与第一轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第一轮频域噪音值求和得到对应的多个频域噪音和值；
差值计算子模块，用于将每个水雾空域船舶图片的噪音值均减去第一轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第一轮频域噪音值得到对应的多个频域噪音差值；
均值计算子模块，用于将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第一平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第二平均值；
第一噪音损失值计算子模块，用于将所述第一平均值和第二平均值相减求绝对值得到所述第一噪音损失值。
目标类别Unet模型训练模块204，用于将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮噪音值，以及所有水雾船舶图片减去上一轮噪音值作为当前轮训练集，输入到上一轮更新类别Unet模型中进行当前轮模型训练，得到当前轮噪音值和当前轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、当前轮噪音值和所有水雾船舶图片的噪音值计算得到当前噪音损失值；若当前噪音损失值在预设噪音损失值范围内，停止模型训练，将当前轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；
去雾模块205，用于将待去雾船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到所述目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片。
所述目标清晰船舶图片根据以下公式计算：
；
；
；
其中，表示待去雾船舶图片第t+1轮去雾后的图片；/>表示待去雾船舶图片第t轮去雾后的图片，/>表示待去雾船舶图片第t轮去雾后的图片输入到所述目标类别Unet模型中进行反向推理得到的噪音值，N表示训练轮数，t表示第t轮，t/>，/>表示第t轮的系数，随着轮数增加而减小，/>表示第t轮的预设值，/>表示第t轮的噪音均方差，/>表示第N-t+1轮增加的高斯噪音，当t为训练的第一轮时，/>表示待去雾船舶图片，z为目标类别Unet模型训练模块中最后一轮增加的高斯噪音；当t为训练的最后一轮时，/>表示待去雾船舶图片完全去雾后的图片，z为目标类别Unet模型训练模块中第一轮增加的高斯噪音；FFT表示傅里叶变化，/>表示待去雾船舶图片傅里叶变换后第t+1轮去雾后的图片，/>和/>表示超参，/>为待去雾船舶图片完全去雾后的图片，为待去雾船舶图片傅里叶变换后完全去雾后的图片，/>表示目标清晰船舶图片。
本发明的方法对原始水雾浓度分类模型进行修改，得到的目标水雾浓度分类模型对水雾分类更准确，在原始Unet模型中采用船舶水雾浓度等级作为引导，从而实现依据不同等级进行除雾；结合空域和频域进行去水雾处理，得到的目标清晰船舶图片更准确。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种船舶去雾复原方法，其特征在于，包括：
S1、获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型；
S2、获取原始训练集，原始训练集分为多组，每组中包括清晰船舶图片和对应的随机等级的水雾船舶图片；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；
S3、将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音和所有水雾船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮训练集，输入到所述类别Unet模型中进行第一轮模型训练，得到第一轮噪音值和第一轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值；
S4、将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮噪音值，以及所有水雾船舶图片减去上一轮噪音值作为当前轮训练集，输入到上一轮更新类别Unet模型中进行当前轮模型训练，得到当前轮噪音值和当前轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、当前轮噪音值和所有水雾船舶图片的噪音值计算得到当前噪音损失值；若当前噪音损失值在预设噪音损失值范围内，停止模型训练，将当前轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；
S5、将待去雾船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到所述目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片；
其中，所述根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值包括：
将每个清晰空域船舶图片的噪音值均与第一轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第一轮频域噪音值求和得到对应的多个频域噪音和值；
将每个水雾空域船舶图片的噪音值均减去第一轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第一轮频域噪音值得到对应的多个频域噪音差值；
将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第一平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第二平均值；
将所述第一平均值和第二平均值相减求绝对值得到所述第一噪音损失值。
2.根据权利要求1所述的方法，其特征在于，所述将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型包括：
将所有对应的空域船舶图片和频域船舶图片缩放到相同尺寸进行相加，得到多个合成船舶图片；
将所有合成船舶图片输入到原始水雾浓度分类模型的主干网络中进行第一轮模型训练，得到对应的多个原始特征图；将每个原始特征图进行反傅里叶变化，得到对应的多个变换特征图；将所有对应的原始特征图和变换特征图进行点乘，并将点乘后的特征图进行全卷积操作以及交叉熵损失计算，得到第一轮更新水雾浓度分类模型和第一轮分类损失值；
将所有合成船舶图片输入到上一轮更新水雾浓度分类模型中进行当前轮模型训练，得到当前轮更新水雾浓度分类模型和当前轮分类损失值；若当前轮分类损失值在预设分类损失值范围内，停止模型训练，将当前轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
3.根据权利要求1所述的方法，其特征在于：
所述清晰船舶图片包括：清晰空域船舶图片和将清晰空域船舶图片进行傅里叶变换得到的清晰频域船舶图片；
所述水雾船舶图片包括：水雾空域船舶图片和将水雾空域船舶图片进行傅里叶变换得到的水雾频域船舶图片；
所述第一轮训练集包括：第一轮空域训练集和第一轮频域训练集；
所述第一轮噪音值包括：第一轮空域噪音值和第一轮频域噪音值。
4.根据权利要求1所述的方法，其特征在于，所述目标清晰船舶图片根据以下公式计算：
img_clear＝α·img_voiceN+1+β·img_voice_fftN+1
其中，img_voicet+1表示待去雾船舶图片第t+1轮去雾后的图片；img_voicet表示待去雾船舶图片第t轮去雾后的图片，Net_class(img_voicet)表示待去雾船舶图片第t轮去雾后的图片输入到所述目标类别Unet模型中进行反向推理得到的噪音值，N表示S4中的训练轮数，t表示第t轮，t∈(1,2,……N)，表示第t轮的系数，随着轮数增加而减小，αt表示第t轮的预设值，σt表示第t轮的噪音均方差，z表示第N-t+1轮增加的高斯噪音，当t为训练的第一轮时，img_voicet表示待去雾船舶图片，z为S4中最后一轮增加的高斯噪音；当t为训练的最后一轮时，img_voicet+1表示待去雾船舶图片完全去雾后的图片，z为S4中第一轮增加的高斯噪音；FFT表示傅里叶变化，img_voice_fftt+1表示待去雾船舶图片傅里叶变换后第t+1轮去雾后的图片，α和β表示超参，img_voiceN+1为待去雾船舶图片完全去雾后的图片，img_voice_fftN+1为待去雾船舶图片傅里叶变换后完全去雾后的图片，img_clear表示目标清晰船舶图片。
5.一种船舶去雾复原系统，其特征在于，包括：
目标水雾浓度分类模型训练模块，用于获取清晰空域船舶图片和不同等级的水雾空域船舶图片，将每个空域船舶图片进行傅里叶变化得到对应的频域船舶图片；将所有对应的空域船舶图片和频域船舶图片进行相加后输入到原始水雾浓度分类模型中进行多轮模型训练得到目标水雾浓度分类模型；
获取和改进模块，用于获取原始训练集，原始训练集分为多组，每组中包括清晰船舶图片和对应的随机等级的水雾船舶图片；在原始Unet模型中增加水雾浓度等级引导任务，得到类别Unet模型；
第一轮更新类别Unet模型训练模块，用于将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音和所有水雾船舶图片输入到所述目标水雾浓度分类模型判断水雾等级后作为第一轮训练集，输入到所述类别Unet模型中进行第一轮模型训练，得到第一轮噪音值和第一轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、第一轮噪音值和所有水雾船舶图片的噪音值计算得到第一噪音损失值；
目标类别Unet模型训练模块，用于将原始训练集中的所有清晰船舶图片随机增加一种高斯噪音并增加上一轮噪音值，以及所有水雾船舶图片减去上一轮噪音值作为当前轮训练集，输入到上一轮更新类别Unet模型中进行当前轮模型训练，得到当前轮噪音值和当前轮更新类别Unet模型；根据所有清晰船舶图片的噪音值、当前轮噪音值和所有水雾船舶图片的噪音值计算得到当前噪音损失值；若当前噪音损失值在预设噪音损失值范围内，停止模型训练，将当前轮更新类别Unet模型作为目标类别Unet模型，并保存训练轮数和每轮增加的高斯噪音；
去雾模块，用于将待去雾船舶图片输入到所述目标水雾浓度分类模型中判断水雾等级后，根据训练轮数和每轮增加的高斯噪音输入到所述目标类别Unet模型中进行反向推理去雾，得到目标清晰船舶图片；
其中，所述第一轮更新类别Unet模型训练模块包括：
和值计算子模块，用于将每个清晰空域船舶图片的噪音值均与第一轮空域噪音值求和得到对应的多个空域噪音和值；将每个清晰频域船舶图片的噪音值均与第一轮频域噪音值求和得到对应的多个频域噪音和值；
差值计算子模块，用于将每个水雾空域船舶图片的噪音值均减去第一轮空域噪音值得到对应的多个空域噪音差值；将每个水雾频域船舶图片的噪音值均减去第一轮频域噪音值得到对应的多个频域噪音差值；
均值计算子模块，用于将所有的空域噪音和值与所有的频域噪音和值求和，并除以清晰空域船舶图片与清晰频域船舶图片的数量和值得到第一平均值；将所有的空域噪音差值与所有的频域噪音差值求和，并除以水雾空域船舶图片与水雾频域船舶图片的数量和值得到第二平均值；
第一噪音损失值计算子模块，用于将所述第一平均值和第二平均值相减求绝对值得到所述第一噪音损失值。
6.根据权利要求5所述的系统，其特征在于，所述目标水雾浓度分类模型训练模块包括：
合成子模块，用于将所有对应的空域船舶图片和频域船舶图片缩放到相同尺寸进行相加，得到多个合成船舶图片；
第一轮更新水雾浓度分类模型训练子模块，用于将所有合成船舶图片输入到原始水雾浓度分类模型的主干网络中进行第一轮模型训练，得到对应的多个原始特征图；将每个原始特征图进行反傅里叶变化，得到对应的多个变换特征图；将所有对应的原始特征图和变换特征图进行点乘，并将点乘后的特征图进行全卷积操作以及交叉熵损失计算，得到第一轮更新水雾浓度分类模型和第一轮分类损失值；
目标更新水雾浓度分类模型训练子模块，用于将所有合成船舶图片输入到上一轮更新水雾浓度分类模型中进行当前轮模型训练，得到当前轮更新水雾浓度分类模型和当前轮分类损失值；若当前轮分类损失值在预设分类损失值范围内，停止模型训练，将当前轮更新水雾浓度分类模型作为目标更新水雾浓度分类模型。
7.根据权利要求5所述的系统，其特征在于：
所述清晰船舶图片包括：清晰空域船舶图片和将清晰空域船舶图片进行傅里叶变换得到的清晰频域船舶图片；
所述水雾船舶图片包括：水雾空域船舶图片和将水雾空域船舶图片进行傅里叶变换得到的水雾频域船舶图片；
所述第一轮训练集包括：第一轮空域训练集和第一轮频域训练集；
所述第一轮噪音值包括：第一轮空域噪音值和第一轮频域噪音值。
8.根据权利要求5所述的系统，其特征在于，所述目标清晰船舶图片根据以下公式计算：
img_clear＝α·img_voiceN+1+β·img_voice_fftN+1
其中，img_voicet+1表示待去雾船舶图片第t+1轮去雾后的图片；img_voicet表示待去雾船舶图片第t轮去雾后的图片，Net_class(img_voicet)表示待去雾船舶图片第t轮去雾后的图片输入到所述目标类别Unet模型中进行反向推理得到的噪音值，N表示训练轮数，t表示第t轮，t∈(1,2,……N)，表示第t轮的系数，随着轮数增加而减小，αt表示第t轮的预设值，σt表示第t轮的噪音均方差，z表示第N-t+1轮增加的高斯噪音，当t为训练的第一轮时，img_voicet表示待去雾船舶图片，z为目标类别Unet模型训练模块中最后一轮增加的高斯噪音；当t为训练的最后一轮时，img_voicet+1表示待去雾船舶图片完全去雾后的图片，z为目标类别Unet模型训练模块中第一轮增加的高斯噪音；FFT表示傅里叶变化，img_voice_fftt+1表示待去雾船舶图片傅里叶变换后第t+1轮去雾后的图片，α和β表示超参，img_voiceN+1为待去雾船舶图片完全去雾后的图片，img_voice_fftN+1为待去雾船舶图片傅里叶变换后完全去雾后的图片，img_clear表示目标清晰船舶图片。
CN202410029086.4A 2024-01-09 2024-01-09 一种船舶去雾复原方法及系统 Active CN117557477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410029086.4A CN117557477B (zh) 2024-01-09 2024-01-09 一种船舶去雾复原方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410029086.4A CN117557477B (zh) 2024-01-09 2024-01-09 一种船舶去雾复原方法及系统

Publications (2)

Publication Number Publication Date
CN117557477A CN117557477A (zh) 2024-02-13
CN117557477B true CN117557477B (zh) 2024-04-05

Family

ID=89823443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410029086.4A Active CN117557477B (zh) 2024-01-09 2024-01-09 一种船舶去雾复原方法及系统

Country Status (1)

Country Link
CN (1) CN117557477B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789041B (zh) * 2024-02-28 2024-05-10 浙江华是科技股份有限公司 一种基于大气散射先验扩散模型的船舶去雾方法及系统
CN117830304B (zh) * 2024-03-04 2024-05-24 浙江华是科技股份有限公司 一种水雾船舶检测方法、系统及计算机存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678735A (zh) * 2015-10-13 2016-06-15 中国人民解放军陆军军官学院 一种用于雾天图像的目标显著性检测方法
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN112329623A (zh) * 2020-11-05 2021-02-05 山东交通学院 雾天能见度检测与能见度安全等级划分预警方法
CN112784880A (zh) * 2021-01-04 2021-05-11 安徽大学 基于自然特征统计方法标注高速公路雾天能见度等级
CN114998691A (zh) * 2022-06-24 2022-09-02 浙江华是科技股份有限公司 半监督船舶分类模型训练方法及装置
CN115240069A (zh) * 2022-07-19 2022-10-25 大连理工大学 一种全雾天场景下的实时性障碍物检测方法
CN115601657A (zh) * 2022-10-17 2023-01-13 北京理工大学(Cn) 一种应用于恶劣天气下舰船目标检测与识别的方法
CN116343144A (zh) * 2023-05-24 2023-06-27 武汉纺织大学 一种融合视觉感知自适应去雾的实时目标检测方法
CN116596792A (zh) * 2023-05-22 2023-08-15 武汉理工大学 一种面向智能船舶的内河雾天场景恢复方法、系统及设备
CN117351440A (zh) * 2023-12-06 2024-01-05 浙江华是科技股份有限公司 基于开放式文本检测的半监督船舶检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11528435B2 (en) * 2020-12-25 2022-12-13 Industrial Technology Research Institute Image dehazing method and image dehazing apparatus using the same

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678735A (zh) * 2015-10-13 2016-06-15 中国人民解放军陆军军官学院 一种用于雾天图像的目标显著性检测方法
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN112329623A (zh) * 2020-11-05 2021-02-05 山东交通学院 雾天能见度检测与能见度安全等级划分预警方法
CN112784880A (zh) * 2021-01-04 2021-05-11 安徽大学 基于自然特征统计方法标注高速公路雾天能见度等级
CN114998691A (zh) * 2022-06-24 2022-09-02 浙江华是科技股份有限公司 半监督船舶分类模型训练方法及装置
CN115240069A (zh) * 2022-07-19 2022-10-25 大连理工大学 一种全雾天场景下的实时性障碍物检测方法
CN115601657A (zh) * 2022-10-17 2023-01-13 北京理工大学(Cn) 一种应用于恶劣天气下舰船目标检测与识别的方法
CN116596792A (zh) * 2023-05-22 2023-08-15 武汉理工大学 一种面向智能船舶的内河雾天场景恢复方法、系统及设备
CN116343144A (zh) * 2023-05-24 2023-06-27 武汉纺织大学 一种融合视觉感知自适应去雾的实时目标检测方法
CN117351440A (zh) * 2023-12-06 2024-01-05 浙江华是科技股份有限公司 基于开放式文本检测的半监督船舶检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An image defogging algorithm of a designed- FCMSPCNN for natural image;Xiaolong Li 等;《2022 7th International Conference on Intelligent Computing and Signal Processing》;20221231;80-85 *
基于双向转换网络的域自适应单幅图像去雾方法;汤永恒 等;《辽宁石油化工大学学报》;20221231;第42卷(第6期);78-83 *
改进暗通道先验和策略性融合的图像去雾算法;王效灵 等;《计算机工程》;20231031;第49卷(第10期);212-221 *

Also Published As

Publication number Publication date
CN117557477A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN117557477B (zh) 一种船舶去雾复原方法及系统
CN106127688B (zh) 一种超分辨率图像重建方法及其系统
CN106295637A (zh) 一种基于深度学习与强化学习的车辆识别方法
CN105046067B (zh) 基于证据相似度的多传感器信息融合方法
CN105225210A (zh) 一种基于暗通道的自适应直方图增强去雾方法
CN104820991B (zh) 一种基于代价矩阵的多重软约束立体匹配方法
CN110059683A (zh) 一种基于端到端神经网络的大角度车牌倾斜矫正方法
CN109064418A (zh) 一种基于非局部均值的非均匀噪声图像去噪方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN110400274B (zh) 一种车载红外行人检测用红外图像增强方法
CN111986108A (zh) 一种基于生成对抗网络的复杂海空场景图像去雾方法
CN105023013B (zh) 基于局部标准差和Radon变换的目标检测方法
CN109948471A (zh) 基于改进InceptionV4网络的交通雾霾能见度检测方法
CN103914820A (zh) 一种基于图像分层增强的图像去雾方法及系统
CN112949493A (zh) 一种结合语义分割和注意力机制的车道线检测方法及系统
CN112767279A (zh) 一种基于离散小波集成生成对抗网络的水下图像增强方法
CN110363727A (zh) 基于多尺度暗通道先验级联深度神经网络的图像去雾方法
CN108931774B (zh) 基于闪电资料的对流性降水识别产品检验方法及系统
CN111723632A (zh) 一种基于孪生网络的船舶跟踪方法及系统
CN113642606A (zh) 一种基于注意力机制的海上舰船检测方法
CN107230214A (zh) 基于递归otsu算法的sar图像水域自动检测方法
CN101448170A (zh) 基于小波照度估计的雾天图像清晰化方法
CN115063274A (zh) 基于对象技术能力的虚拟现实飞行训练方案生成方法
CN109886980B (zh) 一种基于邻域强度纹理编码的红外图像卷云检测方法
CN114612773A (zh) 一种适用于sar和光学影像的高效海冰运动提取方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant