[发明专利]一种基于生成对抗网络模型的去除图像雨雪方法

说明书

本发明公开了一种基于生成对抗网络模型的去除图像雨雪方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、利用卷积神经网络得到图像数据集中的雨雪数据分布；S5、每次迭代除去生成器中的雨雪数据分布，进行训练。本方法构建的基于去除图像雨雪的原始生成对抗网络模型，通过提取图像数据集，得到图像雨雪的数据分布，在生成器训练过程中减去雨雪数据分布，从而达到了去除图像雨雪信息的效果。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于生成对抗网络模型的去除图像雨雪方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的对抗网络模型中，判别器只对输入的图像数据集和生成图像进行辨别，并没有学习图像的特征，而生成器生成图像的数据分布也较为宽泛，整个网络的训练没有针对性。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，构建了一种基于生成对抗网络模型的去除图像雨雪方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于生成对抗网络模型的去除图像雨雪方法，所述的去除图像雨雪方法包括下列步骤：

S1、构造原始生成对抗网络模型，生成器通过生成图像输入至判别器进行网络训练；

S2、构造神经网络充当生成器与判别器的功能；

S3、初始化随机噪声，输入生成器中；

S4、利用卷积神经网络得到图像数据集中的雨雪数据分布；

S5、每次迭代除去生成器中的雨雪数据分布，进行训练。

进一步地，所述的步骤S2中构造的神经网络包含多个卷积核，其中卷积核的个数根据数据集图像特征的复杂程度设置。

进一步地，所述的步骤S4中利用卷积神经网络得到图像数据集中的雨雪数据分布，具体过程如下：

S41、通过卷积神经网络提取图像数据集中的雨雪信息；

S42、得到雨雪信息的数据分布。

进一步地，所述的步骤S5中，每次迭代除去生成器中的雨雪数据分布，进行训练。具体过程如下：

每次迭代通过在生成器生成图像的数据分布的基础上，与雨雪信息的数据分布进行作差之后输入生成器除去生成器中的雨雪数据分布，进行训练。

本发明相对于现有技术具有如下的优点及效果：

针对性：本发明根据去除图像雨雪的操作过程，通过提取图像数据集中的雨雪信息，得到雨雪信息的数据分布，进行作差之后输入生成器中，能够达到去除图像雨雪信息强度的效果，具有良好的针对性。

附图说明

图1是本发明中原始生成对抗网络通过去除图像雨雪进行训练的整体流程图。

具体实施方式