[发明专利]一种基于生成对抗网络的单幅图像去雾方法

说明书

本发明提供了一种基于生成对抗网络的单幅图像去雾方法，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生成器网络模型中，生成模仿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，否则，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，转步骤2；步骤3，将有雾图像集输入最优训练模型，输出去雾后的图像。本发明具有设计科学、实用性强、操作简便和去雾效果高的优点。

技术领域

本发明涉及单幅图像去雾技术领域，具体的说，涉及了一种基于生成对抗网络的单幅图像去雾方法。

背景技术

在雾霾天气下，空气中存在许多大气颗粒。这些颗粒不仅吸收和散射场景的反射光，而且还将一些大气光散射到照相机，导致照相机获取的图像劣化，使得图像对比度低、可见性差，质量严重下降。

目前，图像去雾算法主要可以分为三类：第一类是基于图像增强，但是基于图像增强会丢失图像的某些信息特征。第二类是基于物理模型的图像复原，图像复原算法的目的为获得具有良好可见性，同时保持良好的颜色恢复性能的自然清晰的图像；基于模糊条件下图像的劣化原因来建立大气散射的物理模型，首先需要估计物理参数模型，如大气光照强度和透射率(深度)，然后逆解该物理模型来获得无雾图像，但是基于物理模型的图像复原处理范围有限；第三类为基于深度学习的图像去雾算法，例如卷积神经网络应用于图像去雾。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供一种设计科学、实用性强、操作简便和去雾效果高的基于生成对抗网络的单幅图像去雾方法。

为了实现上述目的，本发明所采用的技术方案是：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，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。

基于上述，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；