小波DehazeFormer网络的道路交通图像去雾

针对道路交通雾图像对比度低、细节丢失、模糊和失真的问题,提出了一种小波DehazeFormer模型的道路交通图像去雾方法。为提升模型去雾能力,构建了编解码结构的小波DehazeFormer网络,编码器以DehazeFormer与选择性核特征融合模块(Selective kernel feature fusion,SKFF)级联作为骨干网络的基本单元,编码部分由三级这样的基本单元构成,以融合图像的原始信息和去雾后的信息,更好地捕获雾图中关键特征;中间特征层采用局部残差结构,并加入卷积注意力机制(Convolutional Block Attention Module,CBAM),对不同级别的特征赋予不同权重,同时融入内容引导注意力混合方案(Content-guided Attention based Mixup Fusion Scheme,CGAFusion),通过学习空间权重来调整特征;解码部分由DehazeFormer和SKFF构成,采用逐点卷积,在保证网络性能同时,减少网络的参数量;跳跃连接引入小波变换,对不同尺度的特征图进行小波分析,获取不同尺度的高、低频特征,放大交通雾图的细节使得复原图像保留纹理;最后,将原始图像和经解码后输出的特征图融合,获取更多的细节信息。实验结果表明,本文方法相比于基线DehazeFormer网络,其PSNR指标在公开数据集中提升1.32以上,在合成数据集中提升0.56,SSIM指标提升了0.015以上,MSE值有较大幅度降低,下降了23.15以上;Entropy指标提升0.06以上。本文去雾算法对提升交通雾图像的对比度、降低雾图模糊和失真及细节丢失等方面均表现出优良的性能,有助于后续道路交通的智能视觉监控与管理。