[发明专利]一种基于生成式对抗网络的图像去雾方法

说明书

本发明公开了一种基于生成式对抗网络的图像去雾方法，采用HOG特征提取方式和加入先验信息的去噪方式，提出依托环境雾霾浓度数据变化而变化的损失函数，从而选择整体最优的解决途径，在很大程度上解决了颜色的偏移等问题，同时防止图像过度去雾化，在尽可能得到清晰结果和降低复杂度之间寻找一种平衡；在一定程度上解决了先验信息制约算法适用范围的问题。

技术领域

本发明涉及图像处理技术领域，尤其是一种基于生成式对抗网络的图像去雾方法。

背景技术

随着信息技术的不断发展与电子设备的普及，人们越来越享受生活，同时也会通过照片记录生活。随着深度神经网络的推进与发展，人们开始应用深度神经网络来解决各种图像问题，例如图像补全、图像去雨雪等。由于近年来雾霾天气的加剧，好的照片也因为雾霾造成的低能见度而受到影响。因此引出了诸如暗通道先验、最大对比度等图像去雾算法。自2014年Goodfellow提出生成式对抗网络，GAN(Generative Adversarial Network)因其生成的图像更加锐利、清晰而被学者所喜爱，将其应用于各个领域，诸如图像去马赛克、图像填充、图像超分辨率等等。

通过吕国豪等人的研究结果我们了解到人为排放的微小颗粒物质(particlemass，PM)分散到大气中形成固体气溶胶，即霾。雾霾的浓度大小将会影响图片拍摄效果，根据清晰度的不同，处理图片所用资源也应当有所不同。雾霾的出现导致图像采集过程中图像对比度降低、场景中部分细节缺损与颜色的偏移，使得图像中部分特征信息发生丢失与改变，直接降低与限制了基于图像特征进行识别、分割和检测等算法的效果。当然，学术界已经提出各种解决图像去雾算法，诸如暗通道先验算法、Tarel算法、He算法、基于Retinex的图像增强方法的单帧图像去雾算法等，但各种算法也有其各自的缺陷。暗通道优先是基于对户外无雾图像统计结果，将暗通道优先原理结合退化模型，我们能够简单而高效的对单幅图像去雾，但是由于暗通道优先是一种统计特性，所以它可能对于一些特殊的图像并不起作用。当场景目标与大气光很相似，而且没有阴影投射到上面时暗通道先验是无效的。另外几种算法虽然有其各自的优越性，但是也有一定的不足之处。当原始图像受到雾霾干扰时会发生模糊不清晰、对比度不高、细节信息不突出的情况，面对这种情况，Tarel算法虽然实现了去雾，但是图中的颜色明显失真并且伴有光晕现象；He算法去雾效果虽然好，颜色也较为正常，但细节信息不突出的这一问题并没有得到很好的解决；而使用基于Retinex的图像增强方法的单帧图像去雾方法，虽然去雾效果很好，同时具备很高的时间效率，但其对不同场景的雾天图像特性尚未充分考虑。图像去雾本质上是一个欠约束问题，这也是导致现有算法取得成果差强人意的根本原因，虽然在一定程度上解决了图像对比度降低、场景中部分细节缺损与颜色偏移等问题，但是解决的不够完美或者说一个算法无法在所有的问题上都能解决的很完美，所以去雾结果就会存在颜色偏移及先验信息制约算法适用范围等。

GAN由生成器G和判别器D组成，通过对抗学习的方式训练数集并生成新的数据样本。2014年Goodfellow发表《Generative Adversarial Networks》一文，使生成式对抗网络在学术界首次亮相，其主要思想来自于博弈论(即二人的利益之和为零，一方的所得正式一方的所失)。此后，GAN被应用于解决各种实际问题，诸如语言、语音处理，棋牌比赛程序等问题的研究。