[发明专利]一种基于对抗网络的水面图像去反光修复方法和装置

权利要求书

1.一种基于对抗网络的水面图像的去反光修复方法，其特征在于，采用图像传感器采集多个水面反光图像，并采用带有偏振镜片的图像传感器采集相同视场下的无反光缺陷的水面标准图像；

所述去反光修复方法包括以下步骤：

步骤A1，将所述水面反光图像剪裁成设定尺寸的图像得到第一数据集，将所述水面标准图像剪裁成所述设定尺寸的图像得到第二数据集，将所述第一数据集和所述第二数据集按照相同视场匹配制作形成第一成对数据样本；

步骤A2，建立条件生成对抗网络模型，所述条件生成对抗网络模型包括生成网络和判别网络两个深度神经网络；

步骤A3，将随机噪声和所述第一数据集输入至所述生成网络，由所述生成网络输出生成数据集；

步骤A4，将所述生成数据集和所述第二数据集按照相同视场匹配制作组成第二成对数据样本，将所述第一成对数据样本和所述第二成对数据样本输入至所述判别网络，所述判别网络判别输入数据来源于所述第一成对数据样本还是所述第二成对数据样本；

步骤A5，对所述生成网络和所述判别网络的参数进行逐层反向调节的交替式迭代训练，直到所述判别网络无法判别输入数据的来源，所述条件生成对抗网络模型达到最优化；

步骤A6，将所述第一数据集输入最优化的所述条件生成对抗网络模型的生成网络中，生成无反光缺陷的水面图像。

2.如权利要求1所述的一种基于对抗网络的水面图像的去反光修复方法，其特征在于，在所述步骤A2中包括构建条件生成对抗网络的初始目标函数，所述条件生成对抗网络的初始目标函数如下：

min_Gmax_DV(D,G)＝E_x,y[log D(x,y)]+E_x,z[log(1-D(x,G(x,z))]，

其中，

V(D,G)表示条件生成对抗网络中需要优化的目标函数；

D(x,y)表示输入为第一成对数据样本时的判别网络的输出；

D(x,G(x,z))表示输入为第二成对数据样本时的判别网络D的输出；

G(x,z)表示输入为随机噪声和第一数据集时的生成网络G的输出；

x表示所述第一数据集；

y表示所述第二数据集；

E表示数学期望；

z表示输入的均匀分布的随机噪声。

3.如权利要求2所述的一种基于对抗网络的水面图像的去反光修复方法，其特征在于，所述步骤A2中向所述条件生成对抗网络的初始目标函数引入L1损失函数,形成条件生成对抗网络的最终目标函数；

引入所述第一损失函数公式如下：

ξ_L1(G)＝E_x,y,z[||y-G(x,z)||₁]

所述条件生成对抗网络的最终目标函数为：

G*＝min_Gmax_DV(D,G)+λξ_L1(G)；

其中，

ξ_L1(G)表示约束生成网络的第一损失函数；

G(x,z)表示输入为随机噪声和第一数据集时的生成网络的输出；

x表示所述第一数据集；

y表示所述第二数据集；

z表示输入的均匀分布的随机噪声；

λ表示调整的超参数；

E表示数学期望。

4.如权利要求3所述的一种基于对抗网络的水面图像的去反光修复方法，其特征在于，所述生成网络的目标函数为：

V(G)表示所述判别网络的目标函数；

其中，

D(x,G(x,z))表示输入为第二成对数据样本时的判别网络的输出；

G(x,z)表示输入为随机噪声和第一数据集时的生成网络的输出；

D(x,y)表示输入为第一成对数据样本时的判别网络的输出；

x表示所述第一数据集；

y表示所述第二数据集；

z表示输入的均匀分布的随机噪声；

E表示数学期望。