[发明专利]一种基于条件生成对抗网络的单幅图像去雾方法

权利要求书

1.一种基于条件生成对抗网络的单幅图像去雾方法，其特征在于：包括以下步骤：

步骤1：所述条件生成对抗网络由一个生成器和一个判别器构成；输入有雾图像到所述条件生成对抗网络中的生成器中，所述生成器由8个U型残差网络级联组成；对所述生成器进行训练得到去雾的生成器模型，再次输入有雾图片经过训练完成后的所述生成器输出得到去雾后图像；

步骤2：将步骤1中的有雾图像、对应的原始清晰图像、去雾后图像一起输入所述条件生成对抗网络中的判别器中，得到判别结果；所述判别器由4个卷积层、1个空间金字塔池化层和1个全连接层组成；

步骤3：训练整个所述条件生成对抗网络，利用所述条件生成对抗网络中的生成器网络对有雾图像进行去雾。

2.根据权利要求1所述的基于条件生成对抗网络的单幅图像去雾方法，其特征在于：

所述步骤1中的有雾图像统一缩放至512×512大小，并随机进行水平翻转，然后将处理过的所述有雾图像输入所述生成器中；

所述步骤1中的生成器由8个U型残差网络级联组成，所述U型残差网络由U型网络和残差网络共同构成，同时所述U型残差网络中的反卷积输出特征图大小和U型残差网络的输入特征图大小一致，具体步骤包括：

步骤(1.1)：将所述U型残差网络的输入特征图利用大小为5×5的卷积核，步长为2进行卷积，对卷积后的特征图利用大小为5×5、步长为2的卷积核进行反卷积，将所述U型残差网络的输入特征图和反卷积后的图像在通道维度进行拼接，得到特征图A；本步骤中的卷积和反卷积之前都用lrelu函数进行激活；

步骤(1.2)：将所述步骤(1.1)中得到的特征图A利用大小为3×3的卷积核，步长为1进行卷积，输出的通道数为输入后的一半，得到特征图B；本步骤中的卷积之前用lrelu函数进行激活；

步骤(1.3)：用所述U型残差网络的输入特征图减去所述步骤(1.2)中得到的特征图B，作为所述U型残差网络的输出结果；

步骤(1.4)：将连续8个所述U型残差网络结构级联组成所述生成器。

3.根据权利要求1所述的基于条件生成对抗网络的单幅图像去雾方法，其特征在于：

所述步骤2中的判别器由4个卷积层、1个空间金字塔池化层和1个全连接层组成，具体步骤包括：

步骤(2.1)：将所述对应的原始清晰图像和有雾图像拼接作为所述判别器的输入真实图像，将所述生成器输出的去雾后图像和对应的有雾图像拼接作为所述判别器的输入假图像；

步骤(2.2)：将所述步骤(2.1)的输入图像输入到所述判别器中，通过所述4个卷积层；本步骤中每个卷积层的卷积核大小为5×5，步长为2，每个卷积层后都有批归一化和lrelu函数进行激活；

步骤(2.3)：将所述步骤(2.2)得到的特征图通过所述空间金字塔池化层后得到固定长度的特征；本步骤中的空间金字塔由1×1，2×2，3×3和4×4的网格构成，最终的特征长度为特征图数量的30倍；

步骤(2.4)：将所述步骤(2.3)得到的特征输入所述全连接层，得到分类的输出；所述分类识别判断输入是真实的图像还是生成的图像。

4.根据权利要求1～3中任一所述的基于条件生成对抗网络的单幅图像去雾方法，其特征在于：

训练所述生成器的损失函数采用交叉熵损失和L1损失，同时引入PSNR损失和SSIM损失；PSNR损失为1与所述原始清晰图像和去雾后图像之间的PSNR值除以40的差，SSIM损失为1与所述原始清晰图像和去雾后图像之间的SSIM值之差；计算所有损失的和，反向传播更新所述生成器；

训练所述判别器的损失函数采用交叉熵损失函数，计算交叉熵损失反向传播更新所述判别器；

在训练时，所述判别器更新一次的同时，所述生成器更新四次。

5.根据权利要求1所述的基于条件生成对抗网络的单幅图像去雾方法，其特征在于：

所述步骤3中的去雾只适用所述生成器对输入的有雾图像进行去雾，所述判别器只参与训练过程，包括：

步骤(3.1)：用训练好的模型参数初始化所述生成器网络的参数；

步骤(3.2)：将有雾图像输入到步骤(3.1)初始化后的所述生成器网络，得到去雾后的图像。