[发明专利]一种基于生成对抗网络的单幅图像去雾方法

权利要求书

1.一种基于生成对抗网络的单幅图像去雾方法，获取无雾图像集作为测试样本集，对所述无雾图像集利用图像处理软件进行加雾处理得到有雾图像集作为训练样本集，其特征在于：该单幅图像去雾方法还包括，

步骤1，构建生成器网络模型，将经过加雾处理的训练样本集输入到所述生成器网络模型中，生成模仿所述测试样本集中无雾图像的初步去雾图像；

步骤2，构建判决器网络模型，将所述初步去雾图像输入到所述判决器网络模型中，计算代价函数，

步骤2.1，若代价函数计算结果小于预先设置的去雾阈值，则判断输入图像为测试样本集中的无雾图像，并将该生成器网络模型作为最优训练模型；

步骤2.2，若代价函数计算结果大于预先设置的去雾阈值，则判断输入图像为生成器网络模型生成的初步去雾图像，利用tensorflow训练生成对抗网络，更新生成器网络模型，转步骤2；

步骤3，将训练样本集输入最优训练模型，得到去雾后的图像。

2.根据权利要求1所述的基于生成对抗网络的单幅图像去雾方法，其特征在于：所述生成器网络模型包括编码器结构和解码器结构，

所述编码器结构为八层卷积网络结构，每层卷积网络结构之后设置BatchNormalization层和prelu激活函数；每层卷积网络结构在进行下采样，布幅为2，八层卷积个数分别为64-128-254-512-512-512-512-512；卷积尺寸为4*4，输入图像的尺寸为256*256*3，其中3表示通道数，输出为一维向量；

所述解码器结构为八层网络结构，每层依次包括4*4反卷积、BatchNormalization层和prelu激活函数，每层卷积网络结构在进行上采样，卷积尺寸为4*4，解码器结构的八层卷积个数设定为：512-512-512-512-512-254-128-64，解码器每层的最终结果为自身卷积结果与相对称的编码器结构卷积层相加，每层实际的卷积个数为解码器结构与编码器结构的相加：512-1024-1024-1024-1024-512-254-128；输出图像的尺寸为256*256*3。

3.根据权利要求2所述的基于生成对抗网络的单幅图像去雾方法，其特征在于：所述判决器网络模型包括四层下采样层和一判决层，输入图像尺寸为256*256*3，输出结果为一维；其中，每层下采样层的卷积核大小为4*4，步幅为2，输入图像每经过一层所述下采样层，其长和宽尺寸减少一半，每层所述下采样层依次包括卷积、Batch Normalization层和prelu激活函数，每层下采样层的卷积的个数为64-128-254-512；所述判决层为一维向量，卷积核大小为4*4，步幅为1，卷积个数为1。

4.根据权利要求3所述的基于生成对抗网络的单幅图像去雾方法，其特征在于：所述代价函数loss计算公式为：

loss＝loss_GAN+λloss_MSE

其中，λ表示可调参数，loss_GAN表示生成对抗网络代价函数，loss_MSE表示图像均方差。

5.根据权利要求4所述的基于生成对抗网络的单幅图像去雾方法，其特征在于：获取Middlebury Stereo Datasets以及在网上下载明亮的且无雾的图像构成无雾图像集作为测试样本集；利用Adobe lightroom CC软件对所述无雾图像集人工加雾，得到有雾图像集作为训练样本集。