本发明公开了一种基于深度学习的海事无人机视频图像去雾方法，包括步骤：1)通过无人机机载摄像机拍摄海上清晰视频图像，根据大气散射模型，建立海上视频图像数据库；2)建立多尺度卷积神经网络模型，使用海上视频图像数据库训练；3)通过安装在无人机上的可见光摄像头采集海上视频图像，获得拍摄的含雾图像I′(x)；4)将含雾图像I′(x)输入经过训练的多尺度卷积神经网络模型进行处理，得到中间变量k(x
本发明公开了一种基于深度学习的海事无人机视频图像去雾方法，包括步骤：1)通过无人机机载摄像机拍摄海上清晰视频图像，根据大气散射模型，建立海上视频图像数据库；2)建立多尺度卷积神经网络模型，使用海上视频图像数据库训练；3)通过安装在无人机上的可见光摄像头采集海上视频图像，获得拍摄的含雾图像I′(x)；4)将含雾图像I′(x)输入经过训练的多尺度卷积神经网络模型进行处理，得到中间变量k(x)；5)利用清晰图像复原公式得到最后的去雾图像J′(x)，清晰图像的复原公式为：J′(x)＝k(x)(I′(x)‑1)+b，I′(x)为拍摄的含雾视频图像，J′(x)为复原的清晰图像，k(x)为中间变量，b可取任意常数。本发明能有效解决雾天条件下无人机视觉系统获取的视频图像模糊不清问题，从而提高无人机的搜寻救助能力。
1、利用人工合成含雾图像的方法合成同一场景不同浓度的海雾视频图像，解决了数据采集难的问题，且合成的数据对训练卷积神经网络的效果较佳。
2、改进的清晰图像模型减少了未知参数，便于构建端到端的卷积神经网络，构建的端到端的多尺度卷积神经网络能够很好地使雾天视频图像清晰化，且得到的清晰图像具有很好地视觉效果，同时峰值信噪比也进一步提高了。
3、本发明能够有效实时地去除海上场景的雾天视频图像中的雾气，使视频图像更加清晰，便于无人机充分发挥对海上遇险人员的搜寻救助能力。
