[发明专利]一种训练识别图像雾化的方法和装置

权利要求书

1.一种训练识别图像雾化的方法，其特征在于，包括：

获取训练数据，其中，所述训练数据包括样本有雾图像或样本无雾图像；

利用所述训练数据训练第一网络模型达到预设识别图像雾化的精度，从而获得优化的第一网络模型；

其中，所述第一网络模型，包括特定结构的VGG19网络模型及依次连接在所述特定结构的VGG19网络模型后的三个全连接层和一个Softmax层；所述特定结构的VGG19网络模型，包括VGG19网络模型的输入层、池化层和卷积层；在训练过程中所述特定结构的VGG19网络模型的预设参数保持不变且对所述全连接层和所述Softmax层的权重值和偏移量进行梯度更新。

2.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据训练第一网络模型达到预设识别图像雾化的精度，从而获得优化的第一网络模型，包括：

从所述训练数据中获取训练批的批训练数据；

将所述批训练数据输入所述第一网络模型中获取批训练结果；

判断所述批训练结果是否满足预设识别图像雾化的精度；

若否，则根据所述批训练结果调整所述全链接层和所述Softmax层的权重值和偏移量，并继续上述步骤；

若是，则获得所述优化的第一网络模型。

3.根据权利要求2所述的方法，其特征在于，所述判断所述批训练结果是否满足预设识别图像雾化的精度，包括：

通过损失函数判断所述批训练结果是否满足预设识别图像雾化的精度。

4.根据权利要求3所述的方法，其特征在于，所述损失函数为交叉熵损失函数：

其中，

y_i是批训练结果值；

是预设结果值；

i是训练次数。

5.根据权利要求1所述的方法，其特征在于，所述预设参数包括：

优化函数采用随机梯度下降法；

学习率等于所述随机梯度下降法的默认值0.01；

权重值的初始值范围为大于或等于0且小于或等于1的随机值；

偏移量的初始值范围为大于或等于0且小于或等于1的随机值；

卷积核的大小为3×3，步幅为1；最大池化为2×2，步幅为2。

6.根据权利要求1所述的方法，其特征在于，所述训练批为64。

7.根据权利要求1所述的方法，其特征在于，所述获取训练数据，包括：

获取同一区域的多波段遥感数据集；

将所述多波段遥感数据集合成为预设规格的第一图像数据；

将所述第一图像数据裁剪为预设尺寸的多个第二图像数据；

对所述第二图像数据进行筛选获取所述训练数据。

8.一种训练识别图像雾化的装置，其特征在于，包括：

获取训练数据单元，用于获取训练数据，其中，所述训练数据包括样本有雾图像或样本无雾图像；

训练单元，用于利用所述训练数据训练第一网络模型达到预设识别图像雾化的精度，从而获得优化的第一网络模型；

其中，所述第一网络模型，包括特定结构的VGG19网络模型及依次连接在所述特定结构的VGG19网络模型后的三个全连接层和一个Softmax层；所述特定结构的VGG19网络模型，包括VGG19网络模型的输入层、池化层和卷积层；在训练过程中所述特定结构的VGG19网络模型的预设参数保持不变且对所述全连接层和所述Softmax层的权重值和偏移量进行梯度更新。

9.一种识别图像雾化的方法，其特征在于，包括：

获取待识别图像，其中，所述待识别图像为有雾图像或无雾图像；

将所述待识别图像输入优化的第一网络模型获取所述待识别图像识别结果；

其中，所述优化的第一网络模型是采用如权利要求1-7任一项所述的方法生成的。

10.一种识别图像雾化的装置，其特征在于，包括：

获取待识别图像单元，用于获取待识别图像，其中，所述待识别图像为有雾图像或无雾图像；

输出结果单元，用于将所述待识别图像输入优化的第一网络模型获取所述待识别图像识别结果；

其中，所述优化的第一网络模型是采用如权利要求1-7任一项所述的方法生成的。