[发明专利]一种基于改进的生成对抗网络的航拍图像去雾方法

权利要求书

1.一种基于改进的生成对抗网络的航拍图像去雾方法，其特征在于：方法的步骤包括：

I、收集带雾和无雾的样本图像，建立训练模型所需的数据集，并且按照带雾和无雾进行分类；

II、将带雾样本图像输入生成网络中，生成网络对该样本图像进行去雾处理；生成网络由生成器组成，去雾处理由生成器中相互对应的编码器和解码器完成，解码器中的特征图与对应编码器中的特征图进行维度上的融合，使解码器在反学习阶段获得有效特征表达能力，对融合后的特征使用PRelu激活操作；

III、将生成网络去雾处理后的样本图像和对应的无雾样本图像输入对抗网络中，对两幅图像进行阈值和真假的判别，并且计算损失函数模型参数；

由于带雾图像与生成的无雾图像之间存在信息共享，在训练时容易发生过拟合，图像中带雾部分的信息集中在低频部分，为了保证生成无雾图像与原始图像间的相似度，需要进行损失函数模型参数的计算；总的损失函数Loss由公式①所示，其中L₁代表对抗损失函数，L₂代表平滑损失函数，W₁代表对抗损失权重，W₂代表平滑损失权重：

Loss＝W₁·L₁+W₂·L₂ 公式①

其中，对抗损失函数L₁的定义如公式②所示：

L₁＝E_(x，y)[log(D(x，y))]+E_(x，z)[log(1-D(x，G(x，z)))] 公式②

平滑损失函数L₂的定义如公式③所示：

L₂＝E_(x，y，z)[||y-G(x，z)||₁] 公式③

其中，G为生成器，D为判别器，x为输入带雾的图像，y为x所对应的无雾图像，z为随机噪声；E_(x，y)表示对输入判别器的所有带雾图像和对应无雾图像样本的损失求均值,E_(x，y，z)表示对真实的无雾图像和生成网络生成的无雾图像的损失求均值；

Ⅳ、将损失函数模型参数反馈给生成网络，生成网络调整参数，并更新生成网络模型；

Ⅴ、重复步骤Ⅰ～Ⅳ，直到训练完成，获得训练模型；

Ⅵ、将需要去雾的带雾图片输入到训练模型中，得到去雾后的无雾图片。

2.根据权利要求1所述基于改进的生成对抗网络的航拍图像去雾方法，其特征在于：所述编码器对带雾样本图像进行特征提取，进行下采样操作，卷积层使用BN层和PRelu激活层；

所述解码器将编码器传递的特征依次进行上采样操作，上采样将原本缩小的特征对应放大回原始尺寸以保证端到端的输出；解码器中进行每步上采样操作后，使用卷积操作丰富特征信息，使得在编码器过程中丢失的信息可以通过学习在解码器部分得到；每层卷积后的特征都进行归一化与Dropout操作，防止过拟合。

3.根据权利要求2所述基于改进的生成对抗网络的航拍图像去雾方法，其特征在于：生成网络采用了U-Net结构；U-Net是一种全卷积结构，可以跳过连接，将低层特征图与高层特征图结合起来，保留不同分辨率下像素级的细节信息；基于U-Net结构，将带雾样本图像不同的卷积层合并到生成无雾图像所对应的卷积层上，用以扩充图像信息。