(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111643880.0 (22)申请日 2021.12.3 0 (71)申请人 新疆大学 地址 830046 新疆 维吾尔自治区乌鲁 木齐 市天山区胜利路6 66号新疆大学 (72)发明人 周刚　杨亚伟　石军　林猛　 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于模型优化和压缩的图像快速去雾 方法及装置 (57)摘要 本发明公布一种基于模型优化和压缩的图 像快速去雾方法及装置， 它涉及图像快速去雾领 域。 去雾装置包括： 摄像头、 树莓派以及显示屏。 去雾方法是对一体化去雾网络AOD ‑Net的优化， 包括： 首先将AOD ‑Net的五层卷积神经网络减少 到四层， 减少部分卷积核尺寸， 并用 深度可分离 卷积代替其中部分普通卷积； 对改进的AOD ‑Net 继续采用剪枝算法进一步优化网络结构； 最后将 优化后的模型转化为ONNX （开放式神经网络交换 格式） ， 使用Opencv调用。 本发明通过以上方法优 化AOD‑Net网络结构， 在保持较好的去雾效果的 同时极大减少了计算量。 在计算能力有限的嵌入 式设备树莓派上实现了实时去雾， 能够应用于行 车记录仪、 户外监控等系统中。 权利要求书1页 说明书6页 附图3页 CN 114372929 A 2022.04.19 CN 114372929 A 1.一种基于模型优化和压缩的图像快速去雾方法， 在去雾装置树莓派中， 对图像进行 快速去雾， 该去雾方法是对一体化去雾网络AOD ‑Net的优化， 包括以下步骤： 将AOD‑Net的五层卷积神经网络减少到四层， 减少部分卷积核尺寸， 并用深度可分离卷 积代替其中部分普通卷积； 对改进的AOD ‑Net采用剪枝算法进一 步优化AOD ‑Net的网络结构； 将优化后的模型转 化为ONNX格式， 部署在树莓派中， 使用Opencv调用； 所述一种去雾装置包括： 摄像头， 用于获取视频图像； 树莓派， 利用训练好的神经网络， 实时的对传入的视频流逐帧的去雾； 屏幕， 用于 显示清晰画面。 2.根据权利 要求1所述的将AOD ‑Net的五层卷积神经网络减少到四层， 减少部分卷积核 尺寸， 并用深度可分离卷积代替 其中部分普通卷积具体为： AOD‑Net中的Co nv1仍然使用1*1卷积核以及普通的卷积方式； Conv2使用深度可分离卷积代替普通卷积， 将Conv1和Conv2的特征图拼接在一起送入 下一层； Conv3中， 用3*3的卷积核提取特征， 使用深度可分离卷积代替普通卷积， 最后将来自 Conv1， Conv2， Conv3的特征拼接在一 起， 送入Co nv4； 在Conv4用1*1的卷积核取代3 *3的卷积核提取 特征。 3.根据权利 要求1所述对改进的AOD ‑Net采用剪枝算法进一步优化AOD ‑Net的网络结构 具体步骤为： 步骤1， 分别移除Conv1和Conv2中权值和最小的1个卷积核， 移除Conv3中权值和最小的 2个卷积核， 对剪枝后的模型进行微调； 步骤2， 微调后的模型继续移除Conv1中权值和最小的1个卷积核、 Conv2中权值和最小 的1个卷积核以及移除Co nv3中权值和最小的2个卷积核， 对剪枝后的模型 再次微调； 最终我们优化的A OD‑Net模型中， Conv1移除2个卷积核， Conv2移除2个卷积核， Conv3移 除4个卷积核。权　利　要　求　书 1/1 页 2 CN 114372929 A 2一种基于模型优化和压缩的图像快速去雾方 法及装置 技术领域 [0001]本发明涉及图像快速去雾领域， 尤其涉及 一种基于模型优化和压缩的图像快速去 雾方法及装置， 包括基于深度学习的图像去雾算法以及模型压缩与加速领域的剪枝算法。 背景技术 [0002]雾霾天气拍摄的图像呈现颜色偏移、 色彩丢失、 细节模糊等现象， 这些退化现象严 重限制了后续图像分类， 目标检测 等技术的实际应用。 因此为了获得清晰的图片来保 障技 术的正常运行， 大量研究人员开始关注图像去雾技 术。 [0003]在早期的图像去雾领域中， 一般采用图像增强的去雾方法， 通过改变图像亮度对 比度， 能够让图片看起来更加清晰。 例如： 直方图均衡化， Retinex算法等。 此类方法适用于 实时性高的场合， 且应用范围广， 但去雾效果质量较差。 随着去雾算法的不断发展， 出现基 于物理模型 的去雾算法。 该类算法通过估算透射率和大气光系 数， 最后利用大气光散射模 型逆向求解无雾图像。 基于物理模型的算法依赖于先验知识， 存在一定的局限性。 例如何凯 明等人通过对大量有雾和无雾图像进 行统计分析后提出暗通道先验理论， 很好的估计出透 射率图和大气光 值， 但对于 雪地、 白色背景墙、 天空等区域的去雾效果并不 好。 [0004]基于深度学习的去雾算法通过对大气光散射模型的分析， 通过数据训练的方法构 建神经网络模型， 最终恢复出无雾图像。 LI等人提出了一种用CNN （卷积神经网络） 构建的 AOD‑Net模型， AOD ‑Net是在大气散射模型基础上完成的， 通过轻量级CNN直接生成清晰图 像。 虽然AOD ‑Net的去雾效果较好， 但计算 量较大， 难以在嵌入式设备 上实现实时去雾 。 发明内容 [0005]本发明提供了一种基于模型优化和压缩的图像快速去雾方法及装置， 目的在于通 过改进一种去雾效果较好的深度学习算法， 在保持良好的去雾效果的同时， 能够在体积小、 成本低、 计算能力有限的嵌入式设备中实现实时性， 能够应用在行车记录仪， 户外监控等系 统中。 [0006]本发明所采用的技术方案是： 一种基于优化和压缩的图像去雾方法， 在去雾装置 树莓派中对图像进行实时去雾， 该 方法是对AOD ‑Net的优化， 包括： 将AOD‑Net的五层卷积神经 网络减少到四层， 减少部分卷积核的尺寸， 并用深度可 分离 卷积代替 其中部分普通卷积； 对改进的AOD ‑Net采用剪枝算法进一 步优化AOD ‑Net的网络结构； 将优化后的模型转 化为ONNX格式， 部署在树莓派中， 使用Opencv调用； 一种去雾装置包括： 摄像头， 用于获取视频图像； 树莓派， 利用训练好的神经网络， 实时的对传入的视频流逐帧的去雾； 屏幕， 用于 显示清晰画面。说　明　书 1/6 页 3 CN 114372929 A 3