[发明专利]一种基于生成对抗网络的复杂海空场景图像去雾方法

说明书

本发明提出一种基于生成对抗网络的复杂海空场景图像去雾方法。首先利用光学相机进行海空场景的图像采集，包括有雾图像采集和无雾图像采集；其次将采集到的图像裁剪为宽高大小相同的图像；再分别制作海空场景的无雾图像数据集和有雾图像数据集，不需要对有雾图像和无雾图像进行场景成对匹配；之后搭建用于复杂海空场景图像去雾的生成对抗网络；使用制作的海空场景数据集对搭建的生成对抗网络进行训练；最后使用训练好的去雾模型对复杂海空场景的雾天图像进行去雾操作。本发明可以在复杂海空场景下实现海上雾天图像的去雾处理，同时避免去雾后图像出现颜色失真、场景恢复不够自然的问题，该去雾方法的细节信息保存完整，泛化能力较强。

技术领域

本发明涉及一种基于生成对抗网络的复杂海空场景图像去雾方法，属于图像处理领域。

背景技术

在海空环境下，海面水汽含量比较充足，相对湿度较大，当海面水温和其上空的空气温度存在一定的差值时，极易形成海雾。海雾是一种极为危险的天气现象，雾霭作用使得舰载计算机成像系统无法获取清晰图像，难以进行正常的光学监测和跟踪，使得天体和陆标定位更加困难，特别在雷达盲区，给舰艇机动造成了极大困难，严重威胁着舰船的航行安全。因此，在加强海雾预报的同时，大力发展各种针对海上雾天图像的去雾方法具有重要意义和研究价值。

近年来，图像去雾算法研究取得了重大进展。现阶段，图像去雾研究主要分为三种：第一种是基于增强的方法，本质上是通过增强对比度等方法来改善图像的观感，并没有针对雾天图像退化的机理来进行去雾，所以往往会造成色彩的失真等缺陷。第二种是基于模型的方法，该方法根据雾天图像的退化原因建立大气散射模型，并结合图像的先验知识求解模型中的参数，然后逆向推导无雾图像，该方法可实现图像去雾，但是其紧扣大气散射模型，严重依赖对中间变量的准确预测，如果中间量的预测上存在误差，在计算无雾图像时会放大误差，致使图像严重失真。第三种是基于深度学习的方法，该方法直接利用卷积神经网络学习雾天图像与透射图或者清晰图像之间的映射关系，解决了人工设计特征模型的困难。但是这些基于深度学习的去雾方法本质上都是在利用卷积网络估计物理模型中的参数，然后结合物理模型恢复清晰图像，并且在优化过程中只约束了网络输出与标签之间的均方误差，因此去雾后的图像质量并不稳定，此外依赖于大量带标签的合成图像数据集，对真实雾天图像的去雾效果不理想。

因此，研究一种可用于海上图像去雾且能够避免去雾后图像失真的方法十分必要。

发明内容

传统基于深度学习的去雾算法需要获取同一场景成对匹配的有雾图像和无雾图像作为训练数据集，而这一数据集很难获取，因此当前基于深度学习的去雾算法大多采用人工合成的雾天图像作为有雾图像数据集，但是人工合成的有雾图像和真实的雾天图像在像素分布方面具有很大差异，因此基于人工合成的有雾图像数据集训练得到的去雾模型在真实雾天场景中的去雾效果较差。本发明提出了一种基于生成对抗网络的复杂海空场景图像去雾方法，通过设计生成对抗网络解决上述问题，同时解决了图像去雾后出现的颜色失真以及模糊的问题。

为了实现上述目的，本发明所采用的技术方案如下：

步骤1：利用光学相机进行海空场景的图像采集，包括有雾图像采集和无雾图像采集；

步骤2：将步骤1中采集到的图像裁剪为宽高大小相同的图像；

步骤3：分别制作海空场景的无雾图像数据集和有雾图像数据集，不需要对有雾图像和无雾图像进行场景成对匹配；

步骤4：搭建用于复杂海空场景图像去雾的生成对抗网络；

步骤5：使用步骤3中制作的海空场景数据集对步骤4中搭建的生成对抗网络进行训练；

步骤6：使用步骤5中训练好的去雾模型对复杂海空场景的雾天图像进行去雾操作。

进一步的，所述步骤4中搭建的生成对抗网络包含生成器网络和判别器网络。