[发明专利]基于循环生成对抗网络的单幅图像去雨方法

权利要求书

1.一种基于循环生成对抗网络的单幅图像去雨方法，其特征在于，包括以下步骤：

步骤1、构建DCycleGAN模型，具体步骤为：

步骤11、选取循环生成对抗网络中的生成器和鉴别器作为DCycleGAN模型的生成器和鉴别器的基础骨架；

步骤12、将步骤11获得的生成器修改成编解码结构，并消除其中含有的批量归一化操作；

步骤13、设计DCycleGAN模型的体系结构由两个生成器和两个鉴别器组成，每个生成器和鉴别器的结构通过步骤11和步骤12确定；

步骤14、将模型结构分为两个学习过程:从雨图像到干净背景图像的学习过程和从干净背景图像到雨图像的学习过程；每个学习过程均采用雨图像分解为干净背景图像和雨痕的思想；

步骤15、在从雨图像到干净背景图像的学习过程中，首先将输入的雨图像输入生成器G1获得生成的干净背景图像，将输入的雨图像输入生成器G2获得生成的雨痕图像，然后将生成的干净背景图像输入鉴别器D1判断是否是真实的干净背景图像，最后将生成的干净背景图像和生成的雨痕图像相加获得重建的雨图像；

步骤16、在从干净背景图像到雨图像的学习过程中，首先将输入的干净背景图像和步骤15中生成的雨痕图像相加获得合成的雨图像，然后将合成的雨图像输入鉴别器D2判断是否是真实的雨图像，最后将合成的雨图像输入生成器G1获得重建的干净背景图像；

步骤2、设计DCycleGAN模型的损失函数；具体步骤为：

步骤21、引入雨图像和干净背景图像的循环一致性损失函数：

，其中，L_cycle(G₁,G₂)表示循环一致性损失函数，I表示雨图像，B表示干净背景图像，E表示期望值，pdata表示数据分布，I～pdata(I)和B～pdata(B)表示从雨图像和干净背景图像数据集的数据分布中进行选择，G₁(I)表示将I输入到生成器G₁后的输出结果，G₂(I)表示将I输入到生成器G₂后的输出结果，||G₁(I)+G₂(I)-I||₁表示G₁(I)+G₂(I)与I之间的绝对误差，既二者之间的距离，||G₁(G₂(I)+B)-B||₁表示G₁(G₂(I)+B)与B之间的绝对误差；

步骤22、引入两个关于生成器和鉴别器之间的对抗损失：

其中，L_GAN(G₁,D₁)表示生成器G₁和判别器D₁的对抗损失函数，D₁(B)表示将B输入到鉴别器D₁后的输出结果，表示D₁(B)和实值1之间的平方误差损失，表示D₁(G₁(I))和实值1之间的平方误差损失；

L_GAN(G₂,D₂)表示生成器G₂和鉴别器D₂的对抗损失函数，D₂(I)表示将I输入到鉴别器D₂后的输出结果，表示D₂(I)和实值1之间的平方误差损失，表示D₂(B+G₂(I))和实值1之间的平方误差损失；

步骤23、引入保持颜色不变性的特性损失：

L_identity(G₁)＝E_B～pdata(B){||G₁(B)-1||₁}

其中，L_identity(G₁)表示生成器G₁的不变性特征损失函数，||G₁(B)-1||₁表示G₁(B)和实值1之间的绝对误差损失；

步骤24、将权重引入上诉步骤31、32、33的损失函数获得最终的总损失函数为：

L_final(G₁,G₂,D₁,D₂)＝λ₁·L_cycle(G₁,G₂)+λ₂·L_GAN(G₁,D₁)+λ₃·L_GAN(G₂,D₂)+λ₄·L_identity(G₁)，其中，λ₁,λ₂,λ₃,λ₄表示权重；

步骤3、采用成对和未成对两种训练方式训练DCycleGAN模型；

步骤4、将测试集输入训练好的DCycleGAN模型，获得去雨后的干净图像，完成单幅图像去雨任务。